Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mạng nơ-ron Transformer trong nghiên cứu phát triển thuốc đặc hiệu cho protein và xác thực bằng QSAR
Tóm tắt
Chủ đề được đề cập trong bài báo này là lĩnh vực kỹ thuật phần mềm thực nghiệm, cụ thể là việc áp dụng các phương pháp học máy, chủ yếu là có nguồn gốc sinh học, để phát hiện và dự đoán hoạt tính sinh hóa của các phân tử thuốc. Việc phát hiện thuốc cho một mục tiêu protein là một quá trình đầy công sức, kéo dài và tốn kém. Các phương pháp học máy, đặc biệt là các kỹ thuật học sâu, đã cho thấy tiềm năng lớn trong lĩnh vực này. Tuy nhiên, phần lớn các phương pháp yêu cầu kiến thức trước về các ligand protein, các đặc điểm lý hóa của chúng hoặc cấu trúc ba chiều của protein. Công trình được trình bày trong bài báo này nhằm mục đích, đầu tiên, đề xuất một phương pháp tạo ra các phân tử mới với khả năng liên kết với một protein mục tiêu chỉ dựa trên chuỗi axit amin của nó. Chúng tôi coi vấn đề này như một nhiệm vụ dịch thuật và đã chọn sử dụng kiến trúc mạng nơ-ron Transformer. Kiến trúc này là một phương pháp tiên tiến cho các nhiệm vụ truyền dẫn chuỗi, sử dụng cơ chế tự chú ý để nắm bắt các mối quan hệ phụ thuộc xa giữa các phần tử trong chuỗi. Điều này khiến nó trở nên đặc biệt phù hợp cho nhiệm vụ dịch thuật phức tạp của chúng tôi. Trong công việc của chúng tôi, nhiệm vụ này được thực hiện bởi một mô-đun gọi là Protein2Smiles Transformer. Thứ hai, công trình này thực hiện một sáng kiến đổi mới và đầy tham vọng tập trung vào việc dự đoán hoạt tính sinh hóa phân tử bằng cách sử dụng mô hình hồi quy Rừng ngẫu nhiên. Nhiệm vụ này được thực hiện bởi một mô-đun gọi là Dự đoán hoạt tính sinh hóa QSAR. Hai phần khác biệt nhưng bổ sung này đã dẫn đến việc phát triển một hệ thống hoàn chỉnh cho việc phát hiện thuốc và dự đoán hoạt tính sinh hóa phân tử, cung cấp nhiều khả năng ứng dụng trong phát hiện thuốc, thiết kế hợp chất hóa học và hiểu biết về tương tác protein-phân tử.
Từ khóa
#học máy #phát hiện thuốc #hoạt tính sinh hóa #mạng nơ-ron Transformer #hồi quy Rừng ngẫu nhiên #QSARTài liệu tham khảo
citation_journal_title=Meteorol Appl; citation_title=A transformer neural network for predicting near-surface temperature; citation_author=E Alerskans, J Nyborg, M Birk, E Kaas; citation_publication_date=2022; citation_doi=10.1002/met.2098; citation_id=CR1
Bottou L (2012) Stochastic gradient descent tricks. Neural Networks: Tricks of the Trade: Second Edition, 421–436
Bustamam A, Yanuar A, Mangunwardoyo W, Anki P, Amalia R, et al. (2021) Comparison accuracy of multi-layer perceptron and dnn in qsar classification for acetylcholinesterase inhibitors. In: 2021 International Conference on Artificial Intelligence and Mechatronics Systems (AIMS), pp. 1–6. IEEE
Cootes TF, Ionita MC, Lindner C, Sauer P (2012) Robust and accurate shape model fitting using random forest regression voting. In: Computer Vision–ECCV 2012: 12th European Conference on Computer Vision, Florence, Italy, October 7-13, 2012, Proceedings, Part VII 12, pp. 278–291. Springer
Drews J (2000) Drug discovery: a historical perspective. science 287(5460):1960–1964
Erdem E, Kuyu M, Yagcioglu S, Frank A, Pârcalabescu L, Plank B, Babii A, Turuta O, Erdem A, Calixto I, Lloret E, Apostol E, Truica C, Šandrih B, Martincic-Ipšic S, Berend G, Gatt ., Korvel G (2022) Neural natural language generation: a survey on multilinguality, multimodality, controllability and learning. Journal of Artificial Intelligence Research 73, 1131–1207
https://doi.org/10.1613/jair.1.12918
citation_journal_title=Nucleic acids Res; citation_title=Bindingdb in 2015: a public database for medicinal chemistry, computational chemistry and systems pharmacology; citation_author=MK Gilson, T Liu, M Baitaluk, G Nicola, L Hwang, J Chong; citation_volume=44; citation_issue=D1; citation_publication_date=2016; citation_pages=1045-1053; citation_doi=10.1093/nar/gkv1072; citation_id=CR7
Grechishnikova: molecule_structure_generation.
https://github.com/dariagrechishnikova/molecule_structure_generation
. [Online; accessed 19-Mars-2023]
citation_journal_title=Scientific Rep; citation_title=Transformer neural network for protein-specific de novo drug generation as a machine translation problem; citation_author=D Grechishnikova; citation_volume=11; citation_issue=1; citation_publication_date=2021; citation_pages=1-13; citation_id=CR9
citation_journal_title=J Health Eng; citation_title=Deep learning approach for discovery of in silico drugs for combating covid-19; citation_author=N Jha, D Prashar, M Rashid, M Shafiq, R Khan, CI Pruncu, S Tabrez Siddiqui, M Saravana Kumar; citation_volume=2021; citation_publication_date=2021; citation_pages=1-13; citation_doi=10.1155/2021/6668985; citation_id=CR10
citation_journal_title=J Ocular Pharmacol Therap; citation_title=Eyes on lipinski’s rule of five: A new “rule of thumb” for physicochemical design space of ophthalmic drugs; citation_author=TK Karami, S Hailu, S Feng, R Graham, HJ Gukasyan; citation_volume=38; citation_issue=1; citation_publication_date=2022; citation_pages=43-55; citation_doi=10.1089/jop.2021.0069; citation_id=CR11
Lavagna G, Patterson H, Razmadze R (2021) The wisdom of the crowd: using ensemble machine learning techniques as an early warning indicator for systemic banking crises
citation_journal_title=Brain Sci; citation_title=Applying the properties of neurons in machine learning: a brain-like neural model with interactive stimulation for data classification; citation_author=D Li, M Li, Z Huang; citation_publication_date=2022; citation_doi=10.3390/brainsci12091191; citation_id=CR13
citation_journal_title=Nucleic Acids Res; citation_title=Chembl: towards direct deposition of bioassay data; citation_author=D Mendez, A Gaulton, AP Bento, J Chambers, M Veij, E Félix, MP Magariños, JF Mosquera, P Mutowo, M Nowotka; citation_volume=47; citation_issue=D1; citation_publication_date=2019; citation_pages=930-940; citation_doi=10.1093/nar/gky1075; citation_id=CR14
citation_journal_title=Chem Societ Rev; citation_title=Qsar without borders; citation_author=EN Muratov, J Bajorath, RP Sheridan, IV Tetko, D Filimonov, V Poroikov, TI Oprea, II Baskin, A Varnek, A Roitberg; citation_volume=49; citation_issue=11; citation_publication_date=2020; citation_pages=3525-3564; citation_doi=10.1039/D0CS00098A; citation_id=CR15
Qian H, Lin C, Zhao D, Tu S, Xu L (2022) AlphaDrug: Protein target specific de novo molecular generation. PNAS Nexus. 10.1093/pnasnexus/pgac227
academic.oup.com/pnasnexus/advance-article-pdf/doi/10.1093/pnasnexus/pgac227/46375778/pgac227.pdf
citation_journal_title=Processes; citation_title=A comparative study of linear, random forest and adaboost regressions for modeling non-traditional machining; citation_author=G Shanmugasundar, M Vanitha, R Čep, V Kumar, K Kalita, M Ramachandran; citation_volume=9; citation_issue=11; citation_publication_date=2021; citation_pages=2015; citation_doi=10.3390/pr9112015; citation_id=CR17
citation_journal_title=Pharma Rev; citation_title=Computational methods in drug discovery; citation_author=G Sliwoski, S Kothiwale, J Meiler, EW Lowe; citation_volume=66; citation_issue=1; citation_publication_date=2014; citation_pages=334-395; citation_doi=10.1124/pr.112.007336; citation_id=CR18
Su J, Lu Y, Pan S, Murtadha A, Wen B, Liu Y (2021) Roformer: Enhanced transformer with rotary position embedding. arXiv preprint
arXiv:2104.09864
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser Ł, Polosukhin I (2017) Attention is all you need. Advances in neural information processing systems 30
citation_journal_title=J Comput chem; citation_title=Padel-descriptor: An open source software to calculate molecular descriptors and fingerprints; citation_author=CW Yap; citation_volume=32; citation_issue=7; citation_publication_date=2011; citation_pages=1466-1474; citation_doi=10.1002/jcc.21707; citation_id=CR21