CPGL:長い短期記憶ニューラルネットワークとグラフ注意ネットワークの統合による化合物-蛋白質相互作用の予測【JST・京大機械翻訳】

Zhao, M.; Yuan, M.; Yang, Y.; Xu, S. X.

プレプリント

J-GLOBAL ID：202202215538423034 整理番号：22P0334856

CPGL:長い短期記憶ニューラルネットワークとグラフ注意ネットワークの統合による化合物-蛋白質相互作用の予測【JST・京大機械翻訳】

CPGL: Prediction of compound-protein interaction by integrating graph attention network with long short-term memory neural network

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 (4件)： , , ,
資料名：
発行年： 2022年04月19日プレプリントサーバーでの情報更新日： 2022年04月19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)

深層学習アルゴリズムに基づく人工知能の最近の進歩は,実験室実験を行うことなく,化合物-蛋白質相互作用(CPI)を計算的に予測することを可能にする。この原稿では,化合物と蛋白質の長い短期記憶ニューラルネットワーク(LSTM)のためのグラフ注意ネットワーク(GAT)を統合し,化合物と蛋白質の両方に対するエンドツーエンド表現学習を用いて,化合物と蛋白質からの特徴抽出を最適化し,モデルロバスト性と一般化可能性を改善するために,深い学習アルゴリズム,CPGL(GATとLSTMを有するCPI)を提案した。CPGLは優れた予測性能を示し,最近報告された深層学習モデルより優れている。3つの公開CPIデータセット,C.elegans,ヒトおよび結合DBに基づいて,CPGLは既存の深層学習モデルと比較して1~5%の改善を示した。また,著者らの方法は,上記の2つのデータセットに基づいて構築された不均衡な正と負の比率を有するデータセットに関して優れた結果を達成した。さらに重要なことに,2つのラベル反転データセット,GPCRおよびキナーゼを用いて,CPGLは他の既存の深層学習モデルと比較して優れた性能を示した。AUCはKinaseデータセットで15%から50%まで大幅に改善され,CPGLのロバスト性と一般性を示した。【JST・京大機械翻訳】

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

人工知能 , ニューロコンピュータ

, , , , , ,

前のページに戻る