論文の概要: Proteomic Learning of Gamma-Aminobutyric Acid (GABA) Receptor-Mediated Anesthesia

• arxiv url: http://arxiv.org/abs/2501.02824v1
• Date: Mon, 06 Jan 2025 07:55:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:05:40.359814
• Title: Proteomic Learning of Gamma-Aminobutyric Acid (GABA) Receptor-Mediated Anesthesia
• Title（参考訳）: Gamma-Aminobutyric acid(GABA)受容体を介する麻酔のプロテオミクス学習
• Authors: Jian Jiang, Long Chen, Yueying Zhu, Yazhou Shi, Huahai Qiu, Bengong Zhang, Tianshou Zhou, Guo-Wei Wei,
• Abstract要約: 24種類のGABA受容体サブタイプに基づくGABA受容体を介する麻酔のプロテオミクス学習を導入する。 PPIネットワーク内の980のターゲットのプールから136のターゲットからなるデータセットをキュレートした。 GABRA5受容体を標的とした180,000以上の薬剤候補の副作用と再投与の可能性について検討した。
• 参考スコア（独自算出の注目度）: 6.428865757072811
• License:
• Abstract: Anesthetics are crucial in surgical procedures and therapeutic interventions, but they come with side effects and varying levels of effectiveness, calling for novel anesthetic agents that offer more precise and controllable effects. Targeting Gamma-aminobutyric acid (GABA) receptors, the primary inhibitory receptors in the central nervous system, could enhance their inhibitory action, potentially reducing side effects while improving the potency of anesthetics. In this study, we introduce a proteomic learning of GABA receptor-mediated anesthesia based on 24 GABA receptor subtypes by considering over 4000 proteins in protein-protein interaction (PPI) networks and over 1.5 millions known binding compounds. We develop a corresponding drug-target interaction network to identify potential lead compounds for novel anesthetic design. To ensure robust proteomic learning predictions, we curated a dataset comprising 136 targets from a pool of 980 targets within the PPI networks. We employed three machine learning algorithms, integrating advanced natural language processing (NLP) models such as pretrained transformer and autoencoder embeddings. Through a comprehensive screening process, we evaluated the side effects and repurposing potential of over 180,000 drug candidates targeting the GABRA5 receptor. Additionally, we assessed the ADMET (absorption, distribution, metabolism, excretion, and toxicity) properties of these candidates to identify those with near-optimal characteristics. This approach also involved optimizing the structures of existing anesthetics. Our work presents an innovative strategy for the development of new anesthetic drugs, optimization of anesthetic use, and deeper understanding of potential anesthesia-related side effects.
• Abstract（参考訳）: 麻酔薬は外科的処置や治療の介入において重要であるが、副作用と様々な効果のレベルが伴い、より正確で制御可能な新しい麻酔薬が要求される。 中枢神経系の主要な抑制受容体であるガンマ-アミノブチル酸(GABA)受容体を標的にすると、その阻害作用が増強され、麻酔薬の効力を高めながら副作用を減少させる可能性がある。 本研究では,タンパク質-タンパク質相互作用(PPI)ネットワークにおける4000以上のタンパク質と150万以上の既知の結合化合物を考慮し,GABA受容体を介する24種類のGABA受容体サブタイプに基づくプロテオミクス学習を導入する。 新規な麻酔設計のための薬剤と薬物の相互作用ネットワークを構築した。 PPIネットワーク内の980個のターゲットのプールから136個のターゲットからなるデータセットをキュレートした。 我々は3つの機械学習アルゴリズムを採用し、事前学習されたトランスフォーマーやオートエンコーダの埋め込みのような高度な自然言語処理(NLP)モデルを統合した。 包括的スクリーニングにより,GABRA5受容体を標的とした180,000以上の薬剤候補の副作用と再投与の可能性を評価した。 さらに,これら候補のADMET特性 (吸収, 分布, 代謝, 排ガス, 毒性) を評価し, ほぼ最適特性を有する因子を同定した。 このアプローチはまた、既存の麻酔薬の構造の最適化にも関与した。 本研究は,新しい麻酔薬の開発,麻酔使用の最適化,麻酔関連副作用のより深い理解のための革新的な戦略を示す。

関連論文リスト

• To Explore the Potential Inhibitors against Multitarget Proteins of COVID 19 using In Silico Study [0.0]
  新型コロナウイルスの感染拡大に伴う世界的なパンデミックは、未解決の公衆衛生危機を招いた。 分子ドッキングと機械学習レグレッションを組み合わせた治療薬の探索を行った。 我々は、-19.7 kcal/molから-12.6 kcal/molの範囲で、それぞれZINC (3873365, 85432544, 8214470, 85536956, 261494640) を含む新規な5種類の阻害薬を提案した。
  論文  参考訳（メタデータ） (2024-09-24T22:19:56Z)
• 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)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• A Transformer-based Prediction Method for Depth of Anesthesia During Target-controlled Infusion of Propofol and Remifentanil [2.960339091215942]
  本稿では,プロポフォールとレミフェンタニルの薬物注入による麻酔深度予測法を提案する。 実験の結果,提案手法は従来のPK-PDモデルや従来のディープラーニング手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-08-02T13:49:44Z)
• Machine Learning Study of the Extended Drug-target Interaction Network informed by Pain Related Voltage-Gated Sodium Channels [8.746692914034016]
  痛みは重要な世界的な健康問題であり、現在の痛み管理の治療法は、効果、副作用、中毒の可能性を制限している。 本研究では,痛覚関連ナトリウムチャネルに基づくタンパク質-タンパク質相互作用(PPI)ネットワークを構築した。 我々は3つの異なる機械学習アルゴリズムと高度な自然言語処理(NLP)ベースの埋め込み、特に事前学習されたトランスフォーマーとオートエンコーダ表現を組み合わせた。
  論文  参考訳（メタデータ） (2023-07-11T20:40:31Z)
• 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)
• 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)
• An Interpretable Framework for Drug-Target Interaction with Gated Cross Attention [4.746451824931381]
  本研究では,インタラクションサイトに対して適切な手がかりを提供するための,新しい解釈可能なフレームワークを提案する。 我々は,これらの特徴間の明示的な相互作用を構築することにより,薬物と標的の特徴を相互に関与するゲート・クロス・アテンション・メカニズムを精巧に設計する。 実験の結果,2つのDTIデータセットにおける提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-09-17T05:53:40Z)
• SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
  医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。 ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
  論文  参考訳（メタデータ） (2021-05-05T00:20:48Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)
• Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology [0.0]
  現在の戦略はモデルインフォームドドッキングテーブルで構成されている。 ベイジアンデータ同化と/または強化学習を併用したMIPDのための新しい3つのアプローチを提案する。 これらのアプローチは、致命的グレード4と治療下グレード0のニュートロピーの発生を著しく減少させる可能性がある。
  論文  参考訳（メタデータ） (2020-06-01T16:38:27Z)

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。