文献

J-GLOBAL ID：201502205142086817   整理番号：15A0810300

ランダム森による結合親和性予測を改善する構造/相互作用低品質データ

Low-Quality Structural and Interaction Data Improves Binding Affinity Prediction via Random Forest

著者 (4件)： LI Hongjian (Chinese Univ. Hong Kong, HKG) ,  LEUNG Kwong-Sak (Chinese Univ. Hong Kong, HKG) ,  WONG Man-Hon (Chinese Univ. Hong Kong, HKG) ,  BALLESTER Pedro J. (INSERM, Marseille, FRA)
資料名： Molecules (Web)  (Molecules (Web))
巻： 20  号： 6  ページ： 10947-10962 (WEB ONLY)  発行年： 2015年06月 
JST資料番号： U7014A  ISSN： 1420-3049  CODEN： MOLEFW  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： ドッキングスコア関数は,蛋白質-配位子結合強度の予測に使える。低品質データを用いたスコア関数の訓練は,予測性能に対し有害である。けれども,この仮説を裏付ける体系的検証実験は驚くほど不足している。本研究では,低品質構造/結合データによスコア関数訓練が,どの程度,予測性能に対し有害かを調べた。改善は高品質データから生じるものより重要ではないが,低品質データが有害でないのに加え,機械学習スコア関数の予測性能に有利であることを正確に見出した。更に,従来のスコア関数は,品質に関わらず初期閾値以上に効果的にデータを利用できないことを認めた。これは,より大きなデータ量の利用が,より高いデータ品質のより小さな集合に限定することより,機械学習スコア関数性能に対し,より重要であることを示した。(翻訳著者抄録)

シソーラス用語： *計算機アルゴリズム ,  *計算機シミュレーション ,  *関数 ,  タンパク質 ,  配位子 ,  強度 ,  *予測 ,  *品質 ,  構造特性 ,  連結性 ,  *データ ,  有害性 ,  機械学習 ,  容量 ,  *親和性
準シソーラス用語： *ランダム森 ,  *ドッキングシミュレーション ,  *スコア関数 ,  結合強度 ,  *データ品質 ,  結合性 ,  *訓練データ ,  データ量 ,  *結合親和性

分類 (4件)： 分子の電子構造  (BH05010Q) ,  人工知能  (JE08000Z) ,  数値計算  (JE02000J) ,  統計的品質管理  (KB04030W)

タイトルに関連する用語 (4件)： ランダム森 ,  結合親和性 ,  予測 ,  相互作用