薬物毒性の知識誘導深層学習モデルは解釈を改善する【JST・京大機械翻訳】

Hao, Y.; Romano, J. D.; Moore, J. H.

プレプリント

J-GLOBAL ID：202202213456929123 整理番号：22P0316663

薬物毒性の知識誘導深層学習モデルは解釈を改善する【JST・京大機械翻訳】

Knowledge-guided deep learning models of drug toxicity improve interpretation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月09日プレプリントサーバーでの情報更新日： 2022年03月09日
JST資料番号： O7001B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

薬物開発において,摩耗の主な理由は,薬物毒性を支配する細胞メカニズムの理解の欠如である。従来の分類モデルのブラックボックス特性は,毒性経路の同定にそれらの有用性を制限した。ここでは,毒性アッセイに対する化合物応答を予測し,個々の化合物の毒性経路を推論できる,知識誘導ニューラルネットワークのための解釈フレームワークであるDTox(毒性学のためのDeep学習)を開発した。DToxは可読性の顕著な改善を伴う従来のモデルと同じレベルの予測性能を達成できることを示した。DToxを用いて,アロマターゼ阻害剤とPXRアゴニストにより誘導される細胞活性を再現し,HepG2細胞毒性を生じる特徴的な機構を区別する,三つの細胞核受容体による転写活性化の機構を再識別できた。DToxによる仮想スクリーニングは,予測細胞毒性を有する化合物が臨床肝表現型のリスクが高いことを明らかにした。要約すると,DToxは,in silicoでの毒性の細胞メカニズムを解読するためのフレームワークを提供する。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

消炎薬の基礎研究 , 酵素一般 , 免疫反応一般 , 化学物質の毒性一般 , 細胞膜の受容体

, , , ,

前のページに戻る