複雑な試験を必要とする複雑な機械学習モデル:グラフニューラルネットワークによる分子結合親和性の予測可能性の調査【JST・京大機械翻訳】

Nikolaienko Tymofii; Nikolaienko Tymofii; Gurbych Oleksandr; Gurbych Oleksandr; Druchok Maksym; Druchok Maksym

文献

J-GLOBAL ID：202202268962474319 整理番号：22A0981668

複雑な試験を必要とする複雑な機械学習モデル:グラフニューラルネットワークによる分子結合親和性の予測可能性の調査【JST・京大機械翻訳】

Complex machine learning model needs complex testing: Examining predictability of molecular binding affinity by a graph neural network

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=22A0981668&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=22A0981668&from=J-GLOBAL&jstjournalNo=C0111B") }}

著者 (6件)： , , , , ,
資料名：
巻： 43 号： 10 ページ： 728-739 発行年： 2022年
JST資料番号： C0111B ISSN： 0192-8651 CODEN： JCCHDD 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

薬物発見パイプラインは,潜在的薬物候補の探索における大量の化合物のハイスループットスクリーニングを典型的に含む。小さな有機分子の化学的空間は巨大で,高速かつ軽量の計算法のために,それを超える「ナビゲーション」は,候補の巨大なプールを処理するための機械学習アプローチを促進する。本稿では,蛋白質-薬物結合親和性の予測のためのグラフに基づく深いニューラルネットワークを提示し,徹底的な試験条件下でその予測力を評価する。示唆したアプローチの中で,蛋白質および薬物分子をグラフとして表現し,グラフサブネットワークを分離し,次に結合親和性に向けて連結し,回帰した。ニューラルネットワークを,RCSB蛋白質データバンクから輸入した2つの結合親和性データセット-PDBbindとデータで訓練した。モデルの一般化能力を探究するために,従来のランダムまたはleave-クラスタアウト技法を越えて,k倍交差検証による試験/トレインデータ分割(ランダム,時間-および特性-範囲,蛋白質-および配位子-クラスター化)のためのより詳細なモデル性能評価の必要性を実証した。最後に,異なる分割戦略と折りたたみ配置のための一連のメトリックスに関するモデル性能を論じた。このコードはhttps://github.com/SoftServeInc/affinity-by-GNNで利用可能である。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

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

著者キーワード (4件)： , , ,

分子構造 , 分子・遺伝情報処理

, , , , , , ,

前のページに戻る