PT-Finder:一种多模式神经网络方法用于目标识别
Hossam Nada1, Sungdo Kim1, Kyeong Lee1
1BK21 FOUR Team and Integrated Research Institute for Drug Development, College of Pharmacy, Dongguk University-Seoul, Goyang, 10326, Republic of Korea.
Computers in biology and medicine
|April 18, 2024
概括
机器学习通过预测生物活性化合物点来加速药物发现. 一个名为PT-Finder的新工具使用神经网络准确识别蛋白质目标,从而加快工作流程.
科学领域:
- 计算化学是一种计算化学.
- 生物信息学是一种生物信息学.
- 药物发现 药物发现
背景情况:
- 高效的生物活性化合物目标识别是至关重要的,但具有挑战性和昂贵.
- 机器学习为预测化合物-蛋白质相互作用提供了一个有希望的方法.
- 目前的方法通常依赖于连接体的结构相似性,限制范围.
研究的目的:
- 开发一种机器学习模型,用于预测化学化合物的蛋白质标.
- 为快速准确的目标识别创建一个用户友好的应用程序.
- 为了加速药物发现和重新利用管道.
主要方法:
- 使用蛋白质序列和活性抑制剂构建了一个多模态神经网络.
- 该模型在一个全面的蛋白质和连接体库上进行了训练.
- 使用精度和MPRAUC指标验证了性能.
主要成果:
- 开发的模型实现了82%的准确性和0.80.8的MPRAUC.
- 基于训练模型创建了一个离线应用程序PT-Finder.
- PT-Finder可以在几秒钟内预测数百种化合物的目标.
结论:
- PT-Finder为蛋白质标识提供了一个快速,准确和用户友好的解决方案.
- 该工具通过快速预测,显著加快药物发现工作流程.
- 自由访问的源代码和应用程序促进了更广泛的采用和研究.
更多相关视频
11:24Targeted Labeling of Neurons in a Specific Functional Micro-domain of the Neocortex by Combining Intrinsic Signal and Two-photon Imaging
Published on: December 12, 2012
13.7K
10:39Localizing Function-specific Targets for Transcranial Magnetic Stimulation in the Absence of Navigation Equipment
Published on: May 23, 2025
557
