論文の概要: Binding Affinity Prediction: From Conventional to Machine Learning-Based Approaches

• arxiv url: http://arxiv.org/abs/2410.00709v1
• Date: Mon, 30 Sep 2024 03:40:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 04:15:24.529726
• Title: Binding Affinity Prediction: From Conventional to Machine Learning-Based Approaches
• Title（参考訳）: バインディング親和性予測: 従来型から機械学習ベースのアプローチ
• Authors: Xuefeng Liu, Songhao Jiang, Xiaotian Duan, Archit Vasan, Chong Liu, Chih-chan Tien, Heng Ma, Thomas Brettin, Fangfang Xia, Ian T. Foster, Rick L. Stevens,
• Abstract要約: バインディング親和性を予測するため,従来の機械学習モデルやディープラーニングモデルの利用が増加傾向にあることを我々は見てきた。 予測結果が常に改善されている一方で、フィールド内で探索されていないいくつかのオープンな質問や潜在的な方向も特定する。 本論文は,結合親和性の研究に携わる機械学習研究者にとって,優れた出発点となる可能性がある。
• 参考スコア（独自算出の注目度）: 6.910316688468948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein-ligand binding is the process by which a small molecule (drug or inhibitor) attaches to a target protein. The binding affinity, which refers to the strength of this interaction, is central to many important problems in bioinformatics such as drug design. An extensive amount of work has been devoted to predicting binding affinity over the past decades due to its significance. In this paper, we review all significant recent works, focusing on the methods, features, and benchmark datasets. We have observed a rising trend in the use of traditional machine learning and deep learning models for predicting binding affinity, accompanied by an increasing amount of data on proteins and small drug-like molecules. While prediction results are constantly improving, we also identify several open questions and potential directions that remain unexplored in the field. This paper could serve as an excellent starting point for machine learning researchers who wish to engage in the study of binding affinity, or for anyone with general interests in machine learning, drug discovery, and bioinformatics.
• Abstract（参考訳）: タンパク質リガンド結合(英: protein-ligand binding)は、小さな分子(ドラッグまたは阻害剤)が標的タンパク質に結合する過程である。 この相互作用の強さを指す結合親和性は、薬物設計のような生体情報学における多くの重要な問題の中心である。 過去何十年もの間、結合親和性の予測に多くの研究が費やされてきた。 本稿では,手法,特徴,ベンチマークデータセットを中心に,最近の重要な研究を概観する。 従来の機械学習モデルとディープラーニングモデルを用いた結合親和性予測では,タンパク質や薬物様分子に関するデータ量が増加する傾向がみられている。 予測結果が常に改善されている一方で、フィールド内で探索されていないいくつかのオープンな質問や潜在的な方向も特定する。 本論文は, 結合親和性の研究に携わる機械学習研究者や, 機械学習, 薬物発見, バイオインフォマティクスに関心のある人には, 優れた出発点となる可能性がある。

関連論文リスト

• PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
  薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。 タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。 性能向上のための新しい改良を提案する。
  論文  参考訳（メタデータ） (2023-10-06T05:00:25Z)
• Otter-Knowledge: benchmarks of multimodal knowledge graph representation learning from different sources for drug discovery [5.913390277336069]
  マルチモーダルな知識グラフのセットをリリースし、7つの公開データソースからのデータを統合し、3000万以上のトリプルを含む。 我々の目的は、マルチモーダルな知識によってタンパク質/分子の埋め込みが予測タスクをどのように改善するかを研究するために、さらなる研究を促進することである。
  論文  参考訳（メタデータ） (2023-06-22T11:01:41Z)
• 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)
• Medical Knowledge Graph QA for Drug-Drug Interaction Prediction based on Multi-hop Machine Reading Comprehension [18.34651382394962]
  本稿では,MedKGQAと呼ばれる医療知識グラフ質問応答モデルを提案する。 クローズドドメイン文献からの機械読解を利用してドラッグ・ドラッグ相互作用を予測し、オープンドメイン文書からドラッグ・タンパク質三重項の知識グラフを構築する。 提案モデルでは,従来のカンガルー・メドホップデータセットの最先端モデルと比較して薬物と薬物の相互作用予測の精度が4.5%向上した。
  論文  参考訳（メタデータ） (2022-12-19T12:24:32Z)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• 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)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• High throughput screening with machine learning [18.152525914196993]
  本研究では,分子結合親和性の予測における機械学習手法の有効性を評価する。 モデルは、タンパク質と小さな有機分子のペアのための阻害定数$K_i$の点で結合親和性を予測するように訓練された。
  論文  参考訳（メタデータ） (2020-12-15T13:19:03Z)
• Deep Learning of High-Order Interactions for Protein Interface Prediction [58.164371994210406]
  本稿では,タンパク質界面の予測を2次元密度予測問題として定式化する。 タンパク質をグラフとして表現し、グラフニューラルネットワークを用いてノードの特徴を学習する。 我々は高次対相互作用を組み込んで、異なる対相互作用を含む3次元テンソルを生成する。
  論文  参考訳（メタデータ） (2020-07-18T05:39:35Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)
• 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。