論文の概要: GraphPrint: Extracting Features from 3D Protein Structure for Drug Target Affinity Prediction

• arxiv url: http://arxiv.org/abs/2407.10452v1
• Date: Mon, 15 Jul 2024 05:45:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 16:11:00.029493
• Title: GraphPrint: Extracting Features from 3D Protein Structure for Drug Target Affinity Prediction
• Title（参考訳）: GraphPrint:ドラッグターゲット親和性予測のための3Dタンパク質構造の特徴抽出
• Authors: Amritpal Singh,
• Abstract要約: 薬物標的親和性予測のための3Dタンパク質構造特徴を組み込むためのフレームワークであるGraphPrintを提案する。 本モデルでは,平均平方誤差0.1378,一致指数0.8929をKIBAデータセット上で達成する。 我々のアブレーション研究は、3Dタンパク質の構造に基づく特徴が従来の特徴と相補的な情報を提供することを示している。
• 参考スコア（独自算出の注目度）: 2.0668277618112207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate drug target affinity prediction can improve drug candidate selection, accelerate the drug discovery process, and reduce drug production costs. Previous work focused on traditional fingerprints or used features extracted based on the amino acid sequence in the protein, ignoring its 3D structure which affects its binding affinity. In this work, we propose GraphPrint: a framework for incorporating 3D protein structure features for drug target affinity prediction. We generate graph representations for protein 3D structures using amino acid residue location coordinates and combine them with drug graph representation and traditional features to jointly learn drug target affinity. Our model achieves a mean square error of 0.1378 and a concordance index of 0.8929 on the KIBA dataset and improves over using traditional protein features alone. Our ablation study shows that the 3D protein structure-based features provide information complementary to traditional features.
• Abstract（参考訳）: 正確な薬物標的親和性予測は、薬物候補の選択を改善し、薬物発見プロセスを加速し、薬剤生産コストを削減できる。 これまでの研究は、タンパク質のアミノ酸配列に基づいて抽出された従来の指紋や、その結合親和性に影響を与える3D構造を無視した使用済みの特徴に焦点を当てていた。 本研究では,薬物標的親和性予測のための3Dタンパク質構造機能を組み込むフレームワークであるGraphPrintを提案する。 アミノ酸残基位置座標を用いてタンパク質3D構造のグラフ表現を生成し、それらを薬物グラフ表現と組み合わせ、薬物標的親和性を共同学習する。 本モデルでは,KIBAデータセットにおける平均2乗誤差0.1378,一致指数0.8929を達成し,従来のタンパク質機能のみを用いた場合の精度を向上する。 我々のアブレーション研究は、3Dタンパク質の構造に基づく特徴が従来の特徴と相補的な情報を提供することを示している。

関連論文リスト

• FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction with Transformer-Driven Interpretation [0.09236074230806578]
  薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。 DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。 FragXsiteDTIは、薬物分子断片とタンパク質ポケットを同時に利用する最初のDTIモデルである。
  論文  参考訳（メタデータ） (2023-11-04T04:57:13Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
  標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。 そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-30T09:32:39Z)
• Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
  構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。 本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。 概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
  論文  参考訳（メタデータ） (2022-08-14T10:41:52Z)
• GDGRU-DTA: Predicting Drug-Target Binding Affinity Based on GNN and Double GRU [0.0]
  本稿では,薬物と標的との結合親和性を予測するためのGDGRU-DTA法を提案する。 本モデルは最先端の深層学習法より優れており,本モデルの有効性と優れた特徴捕捉能力を示す。
  論文  参考訳（メタデータ） (2022-04-25T13:21:37Z)
• In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation [0.0]
  本稿では,関係グラフアーキテクチャ内の3次元タンパク質-リガンド接触を符号化したグラフベース生成モデリング技術を提案する。 これらのモデルは、活性特異的な分子生成を可能にする条件付き変分オートエンコーダと、ターゲットの結合ポケット内の分子相互作用の予測を提供する配置接触生成を組み合わせる。
  論文  参考訳（メタデータ） (2022-04-05T22:53:51Z)
• 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)
• GEFA: Early Fusion Approach in Drug-Target Affinity Prediction [28.695523040015164]
  本稿では,結合効果により対象表現の変化に対処するアテンション機構を備えた新しいグラフイングラフニューラルネットワークを提案する。 薬物は原子のグラフとしてモデル化され、残基-ドラッグ複合体の大きなグラフのノードとして機能する。 また、文脈化されたタンパク質表現を学習する最近の取り組みにより、事前訓練されたタンパク質表現を使用する。
  論文  参考訳（メタデータ） (2020-09-25T11:54:15Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。