文献

J-GLOBAL ID：202202265780226569   整理番号：22A1081541

PIGNet:一般化薬物-標的相互作用予測に向けた物理学情報深層学習モデル【JST・京大機械翻訳】

PIGNet: a physics-informed deep learning model toward generalized drug-target interaction predictions

著者 (5件)： Moon Seokhyun (Department of Chemistry, KAIST, 291 Daehak-ro, Yuseong-gu, Daejeon 34141, Republic of Korea. [e-mail]) ,  Zhung Wonho ,  Yang Soojung ,  Lim Jaechang ,  Kim Woo Youn
資料名： Chemical Science (Web)  (Chemical Science (Web))
巻： 13  号： 13  ページ： 3661-3673  発行年： 2022年 
JST資料番号： U7042A  ISSN： 2041-6539  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： 最近,深いニューラルネットワーク(DNN)ベースの薬物標的相互作用(DTI)モデルが,手頃な計算コストでそれらの高精度のために強調された。しかし,モデルの不十分な一般化は,in silico薬物発見の実践において挑戦的な問題である。DTIモデルにおける一般化を強化するための2つの重要な戦略を提案した。第一は,ニューラルネットワークでパラメータ化された物理情報方程式を介して原子-原子ペアワイズ相互作用を予測し,それらの和として蛋白質-配位子複合体の全結合親和性を提供することである。さらに,訓練データに対する広範囲の結合姿勢とリガンドの増大により,モデル一般化を改善した。スコアリング関数(CASF)2016の比較評価において,著者らのモデル,PIGNetを検証し,以前の方法よりも,優れたドッキングとスクリーニングパワーを実証した。また,著者らの物理形成戦略は,リガンド下部構造の寄与を可視化することによって予測した親和性の解釈を可能にし,さらなる配位子最適化に対する洞察を提供する。Copyright 2022 Royal Society of Chemistry All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *相互作用 ,  ニューラルネットワーク ,  タンパク質 ,  可視化 ,  複合体 ,  *モデル ,  親和性 ,  スクリーニング
準シソーラス用語： 結合親和性 ,  訓練データ ,  in silico ,  計算コスト ,  *深層学習 ,  スコア関数 , 【Automatic Indexing@JST】

分類 (1件)： 生物学的機能  (EB03040U)

タイトルに関連する用語 (8件)： 一般化 ,  薬物 ,  標的 ,  相互作用 ,  予測 ,  物理学 ,  深層学習 ,  モデル