基于多类型特征的深度学习框架,用于预测基于多类型特征的分子性质的融合框架
1School of Computer Science, Shaanxi Normal University, Xi'an, 710119, China; School of Mathematics and Statistics, Qinghai Normal University, Qinghai, 810000, China.
本研究介绍了DLF-MFF,这是一个用于分子性质预测的新型聚变模型. 通过整合多样化的分子表示,它实现了最先进的结果,并确定了潜在的COVID-19抑制剂.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习 机器学习
背景情况:
- 分子性质预测对于药物发现至关重要.
- 现有的方法,如基于序列和基于图表的表示,在捕获全面的分子信息方面存在局限性.
- 整合不同的分子特征可以提高预测准确性.
研究的目的:
- 为分子性质预测提出一种新的深度学习融合模型 (DLF-MFF).
- 为了同时利用多个分子表示的优势.
- 提高预测分子特性和识别潜在药物候选者的准确性和效率.
主要方法:
- 提取四种类型的分子特征:指纹,2D图表,3D图表和图像.
- 使用四个深度学习框架来单独学习每个表示的特征.
- 将这些特征集成到用于属性预测的统一表示中.
- 将DLF-MFF与六个基准数据集上的七种最先进的方法进行比较.
主要成果:
- DLF-MFF在六个基准数据集中实现了最先进的性能,用于分子性质预测.
- 该模型成功地从2500种药物库中识别出潜在的抗SARS-CoV-2抑制剂.
- 在预测3CL蛋白酶抑制和结合亲和力方面,DLF-MFF表现优越.
结论:
- 拟议的DLF-MFF模型有效地整合了多种类型的分子特征,以提高属性预测.
- 这种方法为准确的分子性质预测和药物重新定位提供了有希望的方向,特别是在COVID-19等传染病中.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
相关概念视频
Predicting Molecular Geometry
Classification of Titrimetric Analysis Based on Reaction Types
Titrations between an acid and a base lead to neutralization reactions that form...
Predicting Reaction Outcomes
Molecular Models
Multi-pass Transmembrane Proteins and β-barrels
α-Helix containing multi-pass transmembrane proteins
Multi-pass transmembrane proteins such as...
¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
