转录条件循环神经网络用于新药设计
Yuki Matsukiyo1,2, Atsushi Tengeiji3, Chen Li2
1Department of Bioscience and Bioinformatics, Faculty of Computer Science and Systems Engineering, Kyushu Institute of Technology, 680-4 Kawazu, Iizuka, Fukuoka 820-8502, Japan.
Journal of chemical information and modeling
|July 25, 2024
概括
我们开发了GxRNN,这是一种简单的基因表达型的循环神经网络 (RNN),用于新的药物设计. 这种方法可以从基因表达数据中生成分子,而不需要预训练,为药物发现提供了一个有前途的方法.
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:
- 基于Omics的计算方法对于新药设计至关重要.
- 现有的方法通常涉及复杂的多网络模型,需要广泛的预训练.
- 需要更简单,更容易获得的基于奥米克的分子生成技术.
研究的目的:
- 引入GxRNN,一个简单的基因表达型的循环神经网络 (RNN),用于新的药物设计.
- 展示一种在没有预训练的情况下生成受基因表达特征条件的分子的方法.
- 为了评估GxRNN的性能与现有的方法在复制已知的连接体.
主要方法:
- 使用单个循环神经网络 (RNN) 架构.
- 在RNN中直接输入基因表达特征.
- 训练RNN产生预测诱导特定基因表达特征的分子.
- 使用十种标蛋白进行了一项案例研究.
主要成果:
- GxRNN成功地生成了受基因表达特征影响的分子.
- 该方法表明,与现有方法相比,已知连接体的结构可重复性优越.
- 对于GxRNN模型,不需要预训练.
结论:
- GxRNN提供了一种简化和有效的方法,用于基于奥米克的分子生成.
- 该方法在加速新药设计方面显示出显著的前景.
- 在没有预训练的情况下,GxRNN能够从基因表达数据中生成分子,这代表了关键的进步.
