論文の概要: Barlow Twins Deep Neural Network for Advanced 1D Drug-Target Interaction Prediction

• arxiv url: http://arxiv.org/abs/2408.00040v3
• Date: Mon, 14 Oct 2024 14:13:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-08 13:40:32.749724
• Title: Barlow Twins Deep Neural Network for Advanced 1D Drug-Target Interaction Prediction
• Title（参考訳）: Barlow Twins Deep Neural Network for Advanced 1D Drug-Target Interaction Prediction
• Authors: Maximilian G. Schuh, Davide Boldini, Annkathrin I. Bohne, Stephan A. Sieber,
• Abstract要約: BarlowDTIは機能抽出に強力なBarlow Twinsアーキテクチャを使用している。 複数の確立されたベンチマークに対して最先端の予測性能を達成する。 共結晶構造を比較することで、BarlowDTIは触媒活性および安定化残基を効果的に利用していることが分かる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of drug-target interactions is critical for advancing drug discovery. By reducing time and cost, machine learning and deep learning can accelerate this laborious discovery process. In a novel approach, BarlowDTI, we utilise the powerful Barlow Twins architecture for feature-extraction while considering the structure of the target protein. Our method achieves state-of-the-art predictive performance against multiple established benchmarks using only one-dimensional input. The use of gradient boosting machine as the underlying predictor ensures fast and efficient predictions without the need for substantial computational resources. We also investigate how the model reaches its decision based on individual training samples. By comparing co-crystal structures, we find that BarlowDTI effectively exploits catalytically active and stabilising residues, highlighting the model's ability to generalise from one-dimensional input data. In addition, we further benchmark new baselines against existing methods. Together, these innovations improve the efficiency and effectiveness of drug-target interaction predictions, providing robust tools for accelerating drug development and deepening the understanding of molecular interactions. Therefore, we provide an easy-to-use web interface that can be freely accessed at https://www.bio.nat.tum.de/oc2/barlowdti .
• Abstract（参考訳）: 薬物と標的の相互作用の正確な予測は、薬物発見を促進するために重要である。 時間とコストを削減することによって、機械学習とディープラーニングは、この面倒な発見プロセスを加速することができる。 新たなアプローチであるBarlowDTIでは、ターゲットタンパク質の構造を考慮しつつ、強力なBarlow Twinsアーキテクチャを特徴抽出に活用する。 提案手法は,1次元の入力のみを用いて,複数のベンチマークに対して最先端の予測性能を実現する。 勾配推力機械を基礎となる予測装置として用いることで、計算資源を十分に必要とせず、高速かつ効率的な予測が可能になる。 また、個別のトレーニングサンプルに基づいて、モデルがどのように決定に達するかについても検討する。 共結晶構造を比較することで,BarlowDTIは触媒活性および安定化残基を効果的に利用し,一次元入力データからモデルを一般化する能力を強調した。 さらに、既存のメソッドに対して新たなベースラインをベンチマークする。 これらのイノベーションは、薬物と標的の相互作用予測の効率と効果を改善し、薬物開発を加速し、分子間相互作用の理解を深めるための堅牢なツールを提供する。 したがって、私たちはhttps://www.bio.nat.tum.de/oc2/barlowdtiで自由にアクセスできる使いやすいWebインターフェースを提供しています。

関連論文リスト

• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• TwinBooster: Synergising Large Language Models with Barlow Twins and Gradient Boosting for Enhanced Molecular Property Prediction [0.0]
  本研究では, 微調整された大規模言語モデルを用いて, テキスト情報に基づく生物学的アッセイを統合する。 このアーキテクチャは、測定情報と分子指紋の両方を使用して、真の分子情報を抽出する。 TwinBoosterは最先端のゼロショット学習タスクを提供することで、目に見えないバイオアッセイや分子の性質の予測を可能にする。
  論文  参考訳（メタデータ） (2024-01-09T10:36:20Z)
• PIGNet2: A Versatile Deep Learning-based Protein-Ligand Interaction Prediction Model for Binding Affinity Scoring and Virtual Screening [0.0]
  タンパク質-リガンド相互作用の予測(PLI)は、薬物発見において重要な役割を果たす。 結合親和性を正確に評価し、効率的な仮想スクリーニングを行う汎用モデルの開発は依然として課題である。 本稿では、物理インフォームドグラフニューラルネットワークと組み合わせて、新しいデータ拡張戦略を導入することにより、実現可能なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-07-03T14:46:49Z)
• 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)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Optimizing Area Under the Curve Measures via Matrix Factorization for Drug-Target Interaction Prediction [7.385579678137434]
  本稿では,高精度リコール曲線(AUPR)と受信動作特性曲線(AUC)の領域を最適化する2つの行列分解法を提案する。 4つの最新のベンチマークデータセットに対する実験結果は、最適化された評価基準の点から提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2021-05-01T14:48:32Z)
• Drug-Target Interaction Prediction via an Ensemble of Weighted Nearest Neighbors with Interaction Recovery [5.8683934849211745]
  薬物とターゲットの相互作用は、構造ベースの薬物類似性および配列ベースの標的タンパク質類似性によって予測される。 既存の類似性に基づくほとんどの方法は、トランスダクティブな設定に従う。 現在のDTIデータセットにおける大量の欠落した相互作用は、ほとんどのDTI予測方法を妨げる。 WkNNIR (Weighted k Nearest Neighbor with Interaction Recovery) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-22T19:54:18Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)
• MolTrans: Molecular Interaction Transformer for Drug Target Interaction Prediction [68.5766865583049]
  薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。 近年、DTI予測におけるディープラーニングの進歩が期待されている。 これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
  論文  参考訳（メタデータ） (2020-04-23T18:56:04Z)

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。