論文の概要: COMET:Combined Matrix for Elucidating Targets

• arxiv url: http://arxiv.org/abs/2412.02471v2
• Date: Thu, 02 Jan 2025 11:09:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-03 14:33:42.596936
• Title: COMET:Combined Matrix for Elucidating Targets
• Title（参考訳）: COMET:ターゲット学習用複合マトリックス
• Authors: Haojie Wang, Zhe Zhang, Haotian Gao, Xiangying Zhang, Jingyuan Li, Zhihang Chen, Xinchong Chen, Yifei Qi, Yan Li, Renxiao Wang,
• Abstract要約: マルチテクノロジカルなモジュラーターゲット予測ツールであるCOMETを紹介する。 厳密にキュレートされたデータでは、COMETデータベースは990,944個のドラッグとターゲットの相互作用ペアと45,035個の結合ポケットを含んでいる。 比較テストでは、COMETは他の5つのよく知られたアルゴリズムより優れており、少なくとも1つの真のターゲットを正確に特定する確率は80%近くである。
• 参考スコア（独自算出の注目度）: 6.78997744505788
• License:
• Abstract: Identifying the interaction targets of bioactive compounds is a foundational element for deciphering their pharmacological effects. Target prediction algorithms equip researchers with an effective tool to rapidly scope and explore potential targets. Here, we introduce the COMET, a multi-technological modular target prediction tool that provides comprehensive predictive insights, including similar active compounds, three-dimensional predicted binding modes, and probability scores, all within an average processing time of less than 10 minutes per task. With meticulously curated data, the COMET database encompasses 990,944 drug-target interaction pairs and 45,035 binding pockets, enabling predictions for 2,685 targets, which span confirmed and exploratory therapeutic targets for human diseases. In comparative testing using datasets from ChEMBL and BindingDB, COMET outperformed five other well-known algorithms, offering nearly an 80% probability of accurately identifying at least one true target within the top 15 predictions for a given compound. COMET also features a user-friendly web server, accessible freely at https://www.pdbbind-plus.org.cn/comet.
• Abstract（参考訳）: 生物活性化合物の相互作用標的の同定は、その薬理学的効果を解明するための基礎的な要素である。 ターゲット予測アルゴリズムは、潜在的なターゲットを迅速にスコープし探索する効果的なツールを研究者に提供する。 本稿では,マルチテクノロジカルなモジュラーターゲット予測ツールであるCOMETを紹介し,各タスクあたり10分以内の平均処理時間内に,類似の活性化合物,3次元予測結合モード,確率スコアなどの包括的な予測情報を提供する。 厳密にキュレートされたデータでは、COMETデータベースは990,944個のドラッグ・ターゲットの相互作用ペアと45,035個の結合ポケットを含んでおり、2,685個のターゲットを予測できる。 ChEMBLとBindingDBのデータセットを使用した比較テストでは、COMETは他の5つのよく知られたアルゴリズムよりも優れており、与えられた化合物の上位15の予測のうち、少なくとも1つの真のターゲットを正確に識別する確率が80%近い。 COMETはユーザーフレンドリーなウェブサーバも備えており、https://www.pdbbind-plus.org.cn/comet.comから自由にアクセスできる。

関連論文リスト

• MKDTI: Predicting drug-target interactions via multiple kernel fusion on graph attention network [37.40418564922425]
  グラフアテンションネットワークの様々な層埋め込みからカーネル情報を抽出することにより、MKDTIと呼ばれるモデルを定式化する。 我々は、Dual Laplacian Regularized Least Squaresフレームワークを使用して、新規なドラッグターゲットエンティティ接続を予測する。
  論文  参考訳（メタデータ） (2024-07-14T02:53:25Z)
• MOTIVE: A Drug-Target Interaction Graph For Inductive Link Prediction [0.29998889086656577]
  本稿では,11,000遺伝子と3,600化合物のセルペイント機能を有する形態的cOmpoundターゲット相互作用グラフであるMOTIVEについて紹介する。 我々は、現実的なユースケース下で厳密な評価を可能にするために、ランダムでコールドソース(新薬)とコールドターゲット(新遺伝子)データを分割する。 ベンチマークの結果,Cell Painting機能を用いたグラフニューラルネットワークは,グラフ構造のみから学習したニューラルネットワークよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2024-06-12T21:18:14Z)
• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• 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)
• Meta-Path-based Probabilistic Soft Logic for Drug-Target Interaction Prediction [36.08294497336554]
  薬物-標的相互作用(DTI)予測は、薬物が標的に束縛されるかどうかを予測することを目的としている。 最近提案された手法のほとんどは、DTI予測に単一のドラッグ・ドラッグ類似性およびターゲット・ターゲット類似性情報を使用する。 本稿では,ネットワークに基づく薬物と薬物の相互作用予測手法を提案する。
  論文  参考訳（メタデータ） (2023-06-25T02:30:38Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• 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)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• 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)
• Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
  そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
  論文  参考訳（メタデータ） (2020-07-15T21:58:39Z)

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。