文献

J-GLOBAL ID：202002214268115939   整理番号：20A0493700

深原子:蛋白質-リガンド結合親和性予測のためのフレームワーク【JST・京大機械翻訳】

DeepAtom: A Framework for Protein-Ligand Binding Affinity Prediction

著者 (4件)： Li Yanjun ,  Rezaei Mohammad A. ,  Li Chenglong (Center for Natural Products, Drug Discovery and Development (CNPD3), University of Florida,Department of Medicinal Chemistry) ,  Li Xiaolin (Large-scale Intelligent Systems Laboratory, NSF Center for Big Learning, University of Florida)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： BIBM  ページ： 303-310  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 計算薬物設計の基礎は,特に化学化合物,すなわちリガンドと蛋白質の2つの生物学的対応物間の結合親和性の計算である。合理的な精度で蛋白質-リガンド結合の強度を予測することは薬物発見に重要である。本論文では,蛋白質-リガンド結合親和性を正確に予測するためにDeepAtomと名付けたデータ駆動フレームワークを提案した。3D畳込みニューラルネットワーク(3D-CNN)アーキテクチャにより,DeepAtomはボクセル化複合構造からの結合関連原子相互作用パターンを自動的に抽出できた。他のCNNベースのアプローチと比較して,著者らの軽量モデル設計は,限られた利用可能な訓練データによってさえ,モデル表現能力を効果的に改善した。PDBbond v.2016ベンチマークと独立Astex Diverse Setに関する検証実験によって,より少ない特徴工学依存DeepAtomアプローチが,一貫して他の最先端の採点法より優れていることを実証した。また,モデル性能をさらに改善するための新しいベンチマークデータセットを編集し提案した。訓練入力としての新しいデータセットを用いて,DeepAtomは,PDBbond v.2016コアセットに関してPearsonのR=0.83とRMSE=1.23pKユニットを達成した。有望な結果は,DeepAtomモデルが分子ドッキングおよび仮想スクリーニングのような計算薬物開発プロトコルにおいて潜在的に採用できることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ボクセル ,  計算機アーキテクチャ ,  相互作用 ,  複合構造 ,  三次元 ,  *タンパク質 ,  ドラッグデザイン ,  ベンチマーク
準シソーラス用語： バーチャルスクリーニング ,  検証実験 ,  訓練データ ,  畳込みニューラルネットワーク ,  データ駆動 ,  *リガンド結合 ,  *結合親和性 , 【Automatic Indexing@JST】

分類 (2件)： 分子・遺伝情報処理  (JE15040B) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 原子 ,  蛋白質 ,  リガンド結合 ,  親和性 ,  予測 ,  フレームワーク