文献

J-GLOBAL ID：201902239989802102   整理番号：19A1561446

化学モチーフ検出のための化合物のSmiles表現に基づく畳込みニューラルネットワーク【JST・京大機械翻訳】

Convolutional neural network based on SMILES representation of compounds for detecting chemical motif

著者 (6件)： Hirohara Maya (Department of Biosciences and Informatics, Keio University, Yokohama, Japan) ,  Saito Yutaka (Artificial Intelligence Research Center, National Institute of Advanced Industrial Science and Technology (AIST), Tokyo, Japan) ,  Saito Yutaka (Computational Bio Big-Data Open Innovation Laboratory (CBBD-OIL), National Institute of Advanced Industrial Science and Technology (AIST), Tokyo, Japan) ,  Koda Yuki (Department of Biosciences and Informatics, Keio University, Yokohama, Japan) ,  Sato Kengo (Department of Biosciences and Informatics, Keio University, Yokohama, Japan) ,  Sakakibara Yasubumi (Department of Biosciences and Informatics, Keio University, Yokohama, Japan)
資料名： BMC Bioinformatics (Web)  (BMC Bioinformatics (Web))
巻： 19  号： 19  ページ： 526  発行年： 2018年 
JST資料番号： U7025A  ISSN： 1471-2105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 以前の研究は,深い学習が新薬のための鉛化合物をスクリーニングするための非常に効果的なアプローチであることを示唆している。いくつかの深い学習モデルを,様々な種類の指紋とグラフ畳込みアーキテクチャの利用を扱うことによって開発した。しかし,これらの方法は,それらが化合物のキラリティを含む構造的差異を識別できるかどうかに依存して有利であるか不利であり,(2)効果的な特徴を自動的に発見することができる。化合物分類のためのもう一つの深い学習モデルを開発した。この方法において,著者らはSMILES表記法に基づく化合物の分散表現を構築し,それは線形的に化合物構造を表し,SMILESベースの表現を畳込みニューラルネットワーク(CNN)に適用した。SMILESの使用は,広範囲の構造情報を組み込みながら,すべてのタイプの化合物を処理することを可能にし,CNNによる表現学習は,入力特徴の低次元表現を自動的に獲得する。TOX21データセットを用いたベンチマーク実験において,著者らの方法は従来の指紋法より優れており,TOX 21 Challengeのwinningモデルに対して同等に実行された。多変量解析により,SMILESに基づく表現学習により学習された特徴から成る化学空間が,化合物の正確な識別を可能にするより豊富な特徴空間を適切に表現することを確認した。学習されたフィルタによるモチーフ検出を用いて,蛋白質結合部位のような重要な既知構造(モチーフ)だけでなく,未知の官能基の構造も検出された。深い学習フレームワークChainerにおける著者らのSMILESベースの畳込みニューラルネットワークソフトウェアのソースコードは,http://www.dna.bio.keio.ac.jp/smiles/において利用可能であり,本研究における性能評価のために使用するデータセットは,同じURLにおいて利用可能であった。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  計算機アーキテクチャ ,  フィンガープリント法 ,  ソフトウェア ,  ベンチマーク ,  フィルタ ,  学習モデル ,  新薬 ,  性能評価 ,  *畳込み ,  多変量解析 ,  指紋 ,  線形性
準シソーラス用語： 官能基 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 畳み込みニューラルネットワーク ,  化学物質 ,  仮想スクリーニング ,  SMILES ,  TOX21の挑戦

分類 (1件)： 分子・遺伝情報処理  (JE15040B)

引用文献 (25件)：

• J Chem Inf Model; Extended-connectivity fingerprints; D Rogers, M Hahn; 50; 5; 2010; 742-54; 10.1021/ci100050t; citation_id=CR1
• J Med Chem; Comparison of shape-matching and docking as virtual screening tools; PC Hawkins, AG Skillman, A Nicholls; 50; 1; 2007; 74-82; 10.1021/jm0603365; citation_id=CR2
• J Comput Chem; Ultrafast shape recognition to search compound databases for similar molecular shapes; PJ Ballester, WG Richards; 28; 10; 2007; 1711-23; 10.1002/jcc.20681; citation_id=CR3
• J Chem Inf Comput Sci; Smiles, a chemical language and information system. 1. introduction to methodology and encoding rules; D Weininger; 28; 1; 1988; 31-6; 10.1021/ci00057a005; citation_id=CR4
• J Chem Inf Model; Deep neural nets as a method for quantitative structure-activity relationships; J Ma, RP Sheridan, A Liaw, GE Dahl, V Svetnik; 55; 2; 2015; 263-74; 10.1021/ci500747n; citation_id=CR5

タイトルに関連する用語 (5件)： 化学 ,  モチーフ ,  SMILES ,  表現 ,  畳込みニューラルネットワーク