文献

J-GLOBAL ID：202202263346216205   整理番号：22A1020550

ポケット2薬物:標的ベースドラッグデザインのためのエンコーダ-デコーダ深層ニューラルネットワーク【JST・京大機械翻訳】

Pocket2Drug: An Encoder-Decoder Deep Neural Network for the Target-Based Drug Design

著者 (8件)： Shi Wentao (1Division of Electrical and Computer Engineering, Louisiana State University, Baton Rouge, LA, United States) ,  Singha Manali (2Department of Biological Sciences, Louisiana State University, Baton Rouge, LA, United States) ,  Srivastava Gopal (2Department of Biological Sciences, Louisiana State University, Baton Rouge, LA, United States) ,  Pu Limeng (3Center for Computation and Technology, Louisiana State University, Baton Rouge, LA, United States) ,  Ramanujam J. (1Division of Electrical and Computer Engineering, Louisiana State University, Baton Rouge, LA, United States) ,  Ramanujam J. (3Center for Computation and Technology, Louisiana State University, Baton Rouge, LA, United States) ,  Brylinski Michal (2Department of Biological Sciences, Louisiana State University, Baton Rouge, LA, United States) ,  Brylinski Michal (3Center for Computation and Technology, Louisiana State University, Baton Rouge, LA, United States)
資料名： Frontiers in Pharmacology (Web)  (Frontiers in Pharmacology (Web))
巻： 13  ページ： 837715  発行年： 2022年 
JST資料番号： U7091A  ISSN： 1663-9812  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： コンピュータモデリングは現代の薬物発見の必須成分である。その最も重要な応用の一つは,薬理学的に関連する標的蛋白質の有望な薬物候補を選択することである。構造生物学の継続的な進歩のため,小さな有機分子に対する推定結合部位は,各種の疾患と関係する多くの蛋白質で発見されている。これらの貴重なデータは,データマイニングと機械学習の適用を通して標的部位に対する結合分子を予測する効率的な計算モデルを構築するための新しい機会を提供する。特に,深いニューラルネットワークは,複雑なデータから学習できる強力な技術であり,インフォームド薬物結合予測を行う。このコミュニケーションにおいて,著者らは,与えられたリガンド結合部位に対する結合分子を予測するための深いグラフニューラルネットワークモデルであるPocket2Drugを記述する。この手法は,まず,教師つき訓練によるポケット構造の大きなデータセットから小分子の条件付き確率分布を学習し,訓練されたモデルから薬物候補のサンプリングを行った。包括的ベンチマークシミュレーションは,Pocket2Drugの使用が,従来の薬物選択手順と比較して,標的ポケットに結合する分子を発見する機会を著しく改善することを示した。特に,深いグラフニューラルネットワークモデルを訓練するのに用いた異なるデータから成る試験セットに存在する目標の80.5%まで,既知の結合材料を生成した。全体として,Pocket2Drugは新しいバイオ医薬品の発見を知らせる有望な計算アプローチである。Copyright 2022 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： *ターゲット ,  分子 ,  *ニューラルネットワーク ,  *復号器 ,  タンパク質 ,  *薬物 ,  教師つき学習 ,  *符号器 ,  結合部位 ,  *ドラッグデザイン ,  薬理学 ,  小分子 ,  機械学習 ,  データマイニング
準シソーラス用語： リガンド結合ドメイン , 【Automatic Indexing@JST】

著者キーワード (8件)： リガンド結合部位 ,  薬物の発見と開発 ,  in silicoドラッグデザイン ,  深層学習 ,  グラフニューラルネットワーク ,  リカレントニューラルネットワーク ,  生成モデル ,  機械学習

分類 (1件)： 分子・遺伝情報処理  (JE15040B)

引用文献 (63件)：

• AlexeevaM., ÅbergE., EnghR. A., RothweilerU. (2015). The Structure of a Dual-Specificity Tyrosine Phosphorylation-Regulated Kinase 1A-Pkc412 Complex Reveals Disulfide-Bridge Formation with the Anomalous Catalytic Loop HRD(HCD) Cysteine. Acta Crystallogr. D Biol. Crystallogr. 71 (Pt 5), 1207-1215. doi: 10.1107/S1399004715005106
• AliS. A., HassanM. I., IslamA., AhmadF. (2014). A Review of Methods Available to Estimate Solvent-Accessible Surface Areas of Soluble Proteins in the Folded and Unfolded States. Curr. Protein Pept. Sci. 15 (5), 456-476. doi: 10.2174/1389203715666140327114232
• AltschulS. F., GishW., MillerW., MyersE. W., LipmanD. J. (1990). Basic Local Alignment Search Tool. J. Mol. Biol. 215 (3), 403-410. doi: 10.1016/S0022-2836(05)80360-2
• BaldiP., NasrR. (2010). When Is Chemical Similarity Significant? the Statistical Distribution of Chemical Similarity Scores and its Extreme Values. J. Chem. Inf. Model. 50 (7), 1205-1222. doi: 10.1021/ci100010v
• Ben LoJ. Z. T. (2016). “"Chemical Similarity Networks for Drug Discovery,"” in Special Topics in Drug Discovery (Intech), 53-72. doi: 10.5772/65106

タイトルに関連する用語 (6件)： 薬物 ,  標的 ,  ドラッグデザイン ,  エンコーダ ,  デコーダ ,  深層ニューラルネットワーク