Fugu-MT 論文翻訳(概要): Accurate Prediction of Ligand-Protein Interaction Affinities with Fine-Tuned Small Language Models

論文の概要: Accurate Prediction of Ligand-Protein Interaction Affinities with Fine-Tuned Small Language Models

arxiv url: http://arxiv.org/abs/2407.00111v1
Date: Thu, 27 Jun 2024 13:04:58 GMT
ステータス: 処理完了
システム内更新日: 2024-07-04 06:30:11.858319
Title: Accurate Prediction of Ligand-Protein Interaction Affinities with Fine-Tuned Small Language Models
Title（参考訳）: 微調整小言語モデルによるLigand-Protein相互作用親和性の正確な予測
Authors: Ben Fauber,
Abstract要約: SLMによるリガンド-タンパク質相互作用(LPI)の精度予測について述べる。本研究は,機械学習(ML)と自由エネルギー摂動(FEP+)に基づく手法よりも,LPI親和性の範囲を正確に予測できることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We describe the accurate prediction of ligand-protein interaction (LPI) affinities, also known as drug-target interactions (DTI), with instruction fine-tuned pretrained generative small language models (SLMs). We achieved accurate predictions for a range of affinity values associated with ligand-protein interactions on out-of-sample data in a zero-shot setting. Only the SMILES string of the ligand and the amino acid sequence of the protein were used as the model inputs. Our results demonstrate a clear improvement over machine learning (ML) and free-energy perturbation (FEP+) based methods in accurately predicting a range of ligand-protein interaction affinities, which can be leveraged to further accelerate drug discovery campaigns against challenging therapeutic targets.
Abstract（参考訳）: 薬物標的相互作用(DTI)と呼ばれるリガンド-タンパク質相互作用(LPI)親和性の正確な予測について述べる。ゼロショット設定において,リガンド-タンパク質相互作用に関連するアフィニティ値の高精度な予測を行った。リガンドのSMILES文字列とタンパク質のアミノ酸配列のみをモデル入力として用いた。本研究は,機械学習(ML)と自由エネルギー摂動(FEP+)によるリガンド-タンパク質相互作用親和性の範囲を正確に予測する手法よりも明らかに改善したことを示す。

関連論文リスト

SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文参考訳（メタデータ） (2024-10-31T15:22:03Z)
ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
論文参考訳（メタデータ） (2024-03-30T05:32:42Z)
PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-13T03:51:10Z)
Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文参考訳（メタデータ） (2023-12-09T07:08:00Z)
Improved K-mer Based Prediction of Protein-Protein Interactions With Chaos Game Representation, Deep Learning and Reduced Representation Bias [0.0]
本稿では,対話データセットからユニークなペアを抽出し,非バイアス付き機械学習のための非冗長なペアデータを生成する手法を提案する。我々は,タンパク質のコード遺伝子のカオスゲーム表現から相互作用を学習し,予測できる畳み込みニューラルネットワークモデルを開発した。
論文参考訳（メタデータ） (2023-10-23T10:02:23Z)
From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
論文参考訳（メタデータ） (2022-08-19T14:55:12Z)
Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
論文参考訳（メタデータ） (2022-05-24T14:25:28Z)
AI-Bind: Improving Binding Predictions for Novel Protein Targets and Ligands [9.135203550164833]
現状のモデルは、新しい構造への一般化に失敗することを示す。ネットワークベースのサンプリング戦略と教師なし事前トレーニングを組み合わせたパイプラインであるAI-Bindを紹介する。我々は,SARS-CoV-2ウイルスタンパク質に結合した薬剤や天然化合物を予測し,AI-Bindの価値を説明する。
論文参考訳（メタデータ） (2021-12-25T01:52:58Z)
Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文参考訳（メタデータ） (2021-10-14T13:28:02Z)
Cross-Modality Protein Embedding for Compound-Protein Affinity and Contact Prediction [15.955668586941472]
タンパク質を1Dアミノ酸配列と(シーケンス予測)2D残基ペア接触マップを含むマルチモーダルデータとみなす。 CPAC予測の精度と一般化性において,2つの単一モードの埋め込みを実証的に評価した。
論文参考訳（メタデータ） (2020-11-14T04:42:25Z)
CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文参考訳（メタデータ） (2020-04-02T18:17:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。