基于回归的积极学习,以实现超大图书馆对接的可访问加速.
Egor Marin1, Margarita Kovaleva1, Maria Kadukova1,2
1Research Center for Molecular Mechanisms of Aging and Age-related Diseases, Moscow Institute of Physics and Technology, Dolgoprudny 141701, Russia.
Journal of chemical information and modeling
|December 29, 2023
概括
使用简单模型进行主动学习,通过显著降低虚拟查中的计算成本,加速基于结构的药物发现. 这种方法有效地识别出高亲和度的化合物,使药物发现更容易获得.
科学领域:
- 计算化学计算化学
- 药物发现 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 基于结构的药物发现利用3D生物分子模型进行打击识别和优化.
- 超大虚拟选可以快速发现高亲和度化合物,但需要大量的计算资源.
研究的目的:
- 为了证明使用简单的线性回归模型的积极学习可以加速虚拟选.
- 为了表明像深度学习这样的复杂模型对于预测低样本深度对接结果是不必要的.
主要方法:
- 使用简单的线性回归模型进行虚拟选.
- 调查了主动学习的元参数,确定了恒定批量大小,并将组合确定为最佳.
- 在超大虚拟查数据集上验证了方法.
主要成果:
- 在选仅10%的连接体后,获得了高达90%的顶部-1%的对接命中.
- 在选了超大图书馆的仅仅2%之后,成功地检索了70%的前0.05%的连接体.
- 证明了简单模型对复杂的深度学习方法的有效性.
结论:
- 使用基本模型的积极学习为加速虚拟选提供了一种计算可访问的方法.
- 这种方法可以作为开发大规模对接的低计算代理的蓝图.
- 提高了学术研究人员对各种目标的快速打击化合物发现的可访问性.
更多相关视频
08:15Author Spotlight: Network Pharmacology and Molecular Docking to Decipher the Action of Jiawei Shengjiang San Against Diabetic Kidney Disease
Published on: May 10, 2024
590
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
1.1K
