Fugu-MT 論文翻訳(概要): Uncovering the Mechanism of Hepatotoxiciy of PFAS Targeting L-FABP Using GCN and Computational Modeling

論文の概要: Uncovering the Mechanism of Hepatotoxiciy of PFAS Targeting L-FABP Using GCN and Computational Modeling

arxiv url: http://arxiv.org/abs/2409.10370v1
Date: Mon, 16 Sep 2024 15:13:39 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 15:00:57.298862
Title: Uncovering the Mechanism of Hepatotoxiciy of PFAS Targeting L-FABP Using GCN and Computational Modeling
Title（参考訳）: GCNと計算モデルを用いたPFASターゲットL-FABPの肝毒性機構の解明
Authors: Lucas Jividen, Tibo Duran, Xi-Zhi Niu, Jun Bai,
Abstract要約: ペルフルオロアルキル(PFAS)とポリフルオロアルキル(PFAS)は環境汚染物質であり、毒性や生物蓄積に問題がある。本研究では, 半教師付きグラフ畳み込みネットワーク(GCN)と分子ディスクリプタと指紋を組み合わせることにより, PFAS毒性の予測モデルを作成する。
参考スコア（独自算出の注目度）: 1.6249398255272316
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Per- and polyfluoroalkyl substances (PFAS) are persistent environmental pollutants with known toxicity and bioaccumulation issues. Their widespread industrial use and resistance to degradation have led to global environmental contamination and significant health concerns. While a minority of PFAS have been extensively studied, the toxicity of many PFAS remains poorly understood due to limited direct toxicological data. This study advances the predictive modeling of PFAS toxicity by combining semi-supervised graph convolutional networks (GCNs) with molecular descriptors and fingerprints. We propose a novel approach to enhance the prediction of PFAS binding affinities by isolating molecular fingerprints to construct graphs where then descriptors are set as the node features. This approach specifically captures the structural, physicochemical, and topological features of PFAS without overfitting due to an abundance of features. Unsupervised clustering then identifies representative compounds for detailed binding studies. Our results provide a more accurate ability to estimate PFAS hepatotoxicity to provide guidance in chemical discovery of new PFAS and the development of new safety regulations.
Abstract（参考訳）: ペルフルオロアルキル(PFAS)とポリフルオロアルキル(PFAS)は環境汚染物質であり、毒性や生物蓄積に問題がある。産業利用の拡大と劣化に対する抵抗により、地球規模の環境汚染と深刻な健康上の懸念がもたらされた。 PFASのマイノリティは広く研究されているが、直接毒性データが少ないため、多くのPFASの毒性はよく分かっていない。本研究では, 半教師付きグラフ畳み込みネットワーク(GCN)と分子ディスクリプタと指紋を組み合わせることにより, PFAS毒性の予測モデルを作成する。本稿では,PFAS結合親和性の予測に分子指紋を分離してグラフを構築する手法を提案する。このアプローチは、PFASの構造、物理化学的、およびトポロジカルな特徴を、多量の特徴により過度に適合させることなく、明確に捉えている。教師なしクラスタリングは、詳細な結合研究のための代表化合物を同定する。以上の結果から,PFASの肝毒性を推定し,新しいPFASの化学的発見と新しい安全基準の策定の指針を提供することができた。

関連論文リスト

Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文参考訳（メタデータ） (2024-09-23T17:11:04Z)
GFlowNet Pretraining with Inexpensive Rewards [2.924067540644439]
A-GFN(Atomic GFlowNets)は、個々の原子をビルディングブロックとして活用し、薬物のような化学空間をより包括的に探索する基礎的な生成モデルである。オフラインな薬物様分子データセットを用いた教師なし事前学習手法を提案する。我々は、目標条件付き微調整プロセスを実装し、A-GFNを適応させて特定の目標特性に最適化する手法をさらに強化する。
論文参考訳（メタデータ） (2024-09-15T11:42:17Z)
Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
マルチモーダルプレトレーニング DEL-Fusion Model (MPDF) 我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-07T17:32:21Z)
A Gaussian Process Model for Ordinal Data with Applications to Chemoinformatics [0.0]
化学実験の結果を予測するための条件付きガウス過程モデルを提案する。我々のモデルの新しい側面は、核がスケーリングパラメータを含み、化学空間の要素間の相関の強さを制御することである。本稿では,化学発見の容易化と化合物の有効性に対する重要な特徴の同定のための遺伝的アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-16T11:18:32Z)
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)
Benchmarking Toxic Molecule Classification using Graph Neural Networks and Few Shot Learning [0.0]
従来のグラフ畳み込みネットワーク(GCN)は、限られたデータとクラス不均衡を伴う課題に直面している。グラフ等化ネットワーク,マルチヘッドアテンション,およびグラフ上の大規模アドバイザリ拡張を個別に活用する。我々はFew-Shot Learningを導入し、限られた注釈付きサンプルを用いてモデルの一般化を改善する。
論文参考訳（メタデータ） (2023-11-22T16:07:32Z)
Interpreting the Mechanism of Synergism for Drug Combinations Using Attention-Based Hierarchical Graph Pooling [10.898133007285638]
我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
論文参考訳（メタデータ） (2022-09-19T11:18:45Z)
Toxicity Detection in Drug Candidates using Simplified Molecular-Input Line-Entry System [0.0]
新しい薬物候補の毒性の分析の必要性とそれを行うための要件は、科学者の考慮を求めています。本稿では,Long short term memory (LSTM) に基づくモデルを構築するためのパラメータとして,SMILES(simple Molecular Input Line-Entry System)を提案する。
論文参考訳（メタデータ） (2021-01-21T07:02:21Z)
Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文参考訳（メタデータ） (2020-05-22T15:57:58Z)
Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文参考訳（メタデータ） (2020-04-26T21:40:03Z)
Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。それは最先端技術に対する優れた解釈可能性を示している。接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。