論文の概要: DynamicDTA: Drug-Target Binding Affinity Prediction Using Dynamic Descriptors and Graph Representation

• arxiv url: http://arxiv.org/abs/2505.11529v1
• Date: Tue, 13 May 2025 12:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.679842
• Title: DynamicDTA: Drug-Target Binding Affinity Prediction Using Dynamic Descriptors and Graph Representation
• Title（参考訳）: DynamicDTA:動的記述子とグラフ表現を用いた薬物標的結合親和性予測
• Authors: Dan Luo, Jinyu Zhou, Le Xu, Sisi Yuan, Xuan Lin,
• Abstract要約: 我々はDTA予測を強化するために静的および動的タンパク質機能を組み込んだ革新的なディープラーニングフレームワークであるDynamicDTAを紹介する。 提案されたDynamicDTAは、薬物配列、タンパク質配列、動的記述子を含む3種類の入力を取る。 3つのデータセットに対する大規模な実験は、DynamicDTAが7つの最先端のベースライン手法と比較してRMSEスコアを少なくとも3.4%改善したことを示している。
• 参考スコア（独自算出の注目度）: 8.537345337621078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting drug-target binding affinity (DTA) is essential for identifying potential therapeutic candidates in drug discovery. However, most existing models rely heavily on static protein structures, often overlooking the dynamic nature of proteins, which is crucial for capturing conformational flexibility that will be beneficial for protein binding interactions. We introduce DynamicDTA, an innovative deep learning framework that incorporates static and dynamic protein features to enhance DTA prediction. The proposed DynamicDTA takes three types of inputs, including drug sequence, protein sequence, and dynamic descriptors. A molecular graph representation of the drug sequence is generated and subsequently processed through graph convolutional network, while the protein sequence is encoded using dilated convolutions. Dynamic descriptors, such as root mean square fluctuation, are processed through a multi-layer perceptron. These embedding features are fused with static protein features using cross-attention, and a tensor fusion network integrates all three modalities for DTA prediction. Extensive experiments on three datasets demonstrate that DynamicDTA achieves by at least 3.4% improvement in RMSE score with comparison to seven state-of-the-art baseline methods. Additionally, predicting novel drugs for Human Immunodeficiency Virus Type 1 and visualizing the docking complexes further demonstrates the reliability and biological relevance of DynamicDTA.
• Abstract（参考訳）: ドラッグ・ターゲット結合親和性(DTA)の予測は、薬物発見における潜在的治療候補の特定に不可欠である。 しかし、既存のモデルの多くは静的なタンパク質構造に大きく依存しており、しばしばタンパク質の動的性質を見落としている。 我々はDTA予測を強化するために静的および動的タンパク質機能を組み込んだ革新的なディープラーニングフレームワークであるDynamicDTAを紹介する。 提案されたDynamicDTAは、薬物配列、タンパク質配列、動的記述子を含む3種類の入力を取る。 薬物配列の分子グラフ表現が生成され、その後、グラフ畳み込みネットワークを介して処理され、タンパク質配列は拡張畳み込みを用いて符号化される。 ルート平均二乗ゆらぎのような動的記述子は多層パーセプトロンによって処理される。 これらの埋め込み機能は、クロスアテンションを用いて静的なタンパク質機能と融合し、テンソル融合ネットワークはDTA予測のために3つのモードをすべて統合する。 3つのデータセットに対する大規模な実験は、DynamicDTAが7つの最先端のベースライン手法と比較してRMSEスコアを少なくとも3.4%改善したことを示している。 さらに、ヒト免疫不全ウイルスタイプ1の新規薬物の予測とドッキング複合体の可視化は、DynamicDTAの信頼性と生物学的関連性をさらに示している。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Dynamic PDB: A New Dataset and a SE(3) Model Extension by Integrating Dynamic Behaviors and Physical Properties in Protein Structures [15.819618708991598]
  約12.6Kタンパク質を含む大規模データセットであるDynamic PDBを導入する。 我々は、原子速度と力、ポテンシャルと運動エネルギー、シミュレーション環境の温度を含む、総合的な物理特性スイートを提供する。 本研究は, 軌道予測の課題に対して, 提案したデータセット上での最先端手法の評価を行う。
  論文  参考訳（メタデータ） (2024-08-22T14:06:01Z)
• FragXsiteDTI: Revealing Responsible Segments in Drug-Target Interaction with Transformer-Driven Interpretation [0.09236074230806578]
  薬物-標的相互作用(DTI)予測は薬物発見に不可欠であるが、モデル解釈可能性の実現と性能の最適化には課題が続く。 DTI予測におけるこれらの課題に対処することを目的とした新しいトランスフォーマーモデルFragXsiteDTIを提案する。 FragXsiteDTIは、薬物分子断片とタンパク質ポケットを同時に利用する最初のDTIモデルである。
  論文  参考訳（メタデータ） (2023-11-04T04:57:13Z)
• EmerNeRF: Emergent Spatial-Temporal Scene Decomposition via Self-Supervision [85.17951804790515]
  EmerNeRFは動的駆動シーンの時空間表現を学習するためのシンプルだが強力なアプローチである。 シーンの幾何学、外観、動き、セマンティクスを自己ブートストラップで同時にキャプチャする。 本手法はセンサシミュレーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-11-03T17:59:55Z)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
  Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。 熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• Encoding protein dynamic information in graph representation for functional residue identification [0.0]
  タンパク質機能予測の最近の進歩は、タンパク質の構造的特徴とトポロジ的特徴と分子機能との相関をグラフベースの深層学習アプローチを用いている。 ここでは, 動的に相関する残基対間のエッジを連結することにより, ネイティブタンパク質コンホメーションと拡張タンパク質グラフに正規モード解析を適用した。 提案したグラフニューラルネットワークであるProDARは、残基レベルのアノテーションの解釈可能性と一般化性を高め、タンパク質の構造的ニュアンスを強く反映する。
  論文  参考訳（メタデータ） (2021-12-15T17:57:13Z)
• 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)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• 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)

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。