文献

J-GLOBAL ID：201902212434222271   整理番号：19A1407890

仮想化合物最適化のための機械学習と整合した分子対の結合【JST・京大機械翻訳】

Coupling Matched Molecular Pairs with Machine Learning for Virtual Compound Optimization

著者 (4件)： Turk Samo (BioMed X Innovation Center, Germany) ,  Merget Benjamin (BioMed X Innovation Center, Germany) ,  Rippmann Friedrich (Global Computational Chemistry, Merck KGaA, Germany) ,  Fulle Simone (BioMed X Innovation Center, Germany)
資料名： Journal of Chemical Information and Modeling  (Journal of Chemical Information and Modeling)
巻： 57  号： 12  ページ： 3079-3085  発行年： 2017年12月 
JST資料番号： A0294A  ISSN： 1549-9596  CODEN： JCISD8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 適合分子対(MMP)分析は,構造活性相関(SAR)への洞察を得るために,化合物最適化プロジェクトで広く使用されている。解析は伝統的に統計的方法により行われるが,機械学習(ML)アプローチと一緒に用いることができ,新しい化合物に外挿することができる。ここで紹介したMMP/ML法は,自動化されたSAR分解と予測を得るために,異なる機械学習法によるフラグメントベースのMMP実装を結合する。予測能力とモデル移転性をテストするために,2つの異なる化合物最適化シナリオを設計した。(1)定義された化合物系列に対する新しいフラグメントを探索するときに起こる「新しいフラグメント」,(2)新しい化合物系列の同定に類似する「新しい静的コアと変換」。非常に良い結果は,特に新しいフラグメントケースに対して,すべての機械学習法によって達成されたが,全体的な深いニューラルネットワークモデルは最良であり,新しい静的コアと変換シナリオに対しても信頼できる予測を可能にし,そこでは,化合物シリーズの包括的なSAR知識が欠落している。さらに,すべての利用可能なデータで訓練されたモデルは,集束系列で訓練されたモデルと比較してより高い一般化可能性を有し,訓練データでカバーされた化学空間を超えて拡張できることを示した。このように,深いニューラルネットワークとMMPを結合することは,様々なデータセットと異なる化合物最適化シナリオにおける高品質予測を行うための有望なアプローチを提供する。Copyright 2019 American Chemical Society All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 構造活性相関 ,  自動化 ,  ニューラルネットワーク ,  外挿法 ,  CASE ,  モデル ,  *最適化 ,  統計的方法 ,  集束 ,  *機械学習
準シソーラス用語： 品質予測 ,  訓練データ ,  神経回路網モデル ,  予測能力 , 【Automatic Indexing@JST】

分類 (3件)： 薬物の構造活性相関  (GV01050B) ,  分子・遺伝情報処理  (JE15040B) ,  薬物学一般  (GV01010J)

タイトルに関連する用語 (5件)： 仮想 ,  最適化 ,  機械学習 ,  整合 ,  分子