【DeepDTA+分子对接发现SARS-CoV-2药物】

最新推荐文章于 2024-05-23 16:05:59 发布
最新推荐文章于 2024-05-23 16:05:59 发布
阅读量381 收藏 3
点赞数 2
文章标签： 深度学习 人工智能 程序人生
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/VictoryZhou_/article/details/127890220
版权
该博客介绍了利用KIBA和DeepDTA数据集训练的模型，通过Bi-LSTM学习药物表示和CNN学习蛋白表示。模型预测了DrugBank药物与24种病毒蛋白的亲和力，为SARS-CoV-2的药物再利用提供了可能。结合深度学习和分子对接的方法在《Computers in Biology and Medicine》中发表的研究提出了一种新策略。
摘要由CSDN通过智能技术生成

1.数据集dataset

KIBA： 2111药物，229蛋白，118254对相互作用
与DeepDTA 相同的数据集

2. 输入表示

由于用 Bi-LSTM 学习药物的表示，所以用一个结束符 end token去表示SMILES的结束。用CNN学习蛋白表示，所以将FASTA序列的最大长度舍味1000 个字符，截断>1000的, 用0填充 <1000的。

3. 模型

DeepDTA model with Bi-LSTM+CNN使用训练过的模型预测DrugBank 中的药物与24个病毒蛋白的亲和力。

参考文献：
Combined deep learning and molecular docking simulations approach identifies potentially effective FDA approved drugs for repurposing against SARS-CoV-2@Computers in Biology and Medicine 141 (2022) 105049

VictoryZhou_
关注
【DeepDTA模型解读】
VictoryZhou_的博客
11-15 1697
解读DeepDTA模型的工作
论文笔记：DeepDTA: deep drug–target binding affinity prediction Hakime
一个自律的人会想方设法阻止自己的懒惰
11-13 3799
DeepDAT 动机：药物靶标对相互作用的研究是新药物过程的重要过程，此前大多数研究集中于二分类，即药物-靶标是是相互作用， 但是蛋白质配体的结合亲和力是连续值，预测该值是一个难题。 之前也少数研究，是基于蛋白质-配体复合物的3D就或化合物的2D特征 方法：本实验采用蛋白质和化合物的原始一维序列进行基于CNN的建模进行绑定亲和力的预测 采用回归模型，能够预测相互作用强度的近似值× 蛋白质-配体评分：× 非机器学习方法：随机森林 --->失败，推测原因，...
药物靶标亲和力（二）
最新发布
qq_46080349的博客
05-23 1115
BIOINFORMATICS期刊目前被中科院分为三区期刊，但是这个期刊的文章水平还是不错的，很适合打基础的同学或者跨学科的同学先拿来作入门期刊。上面当然也有一些比较复杂的文章，需要一些深度学习和生物相关的基础知识才能读懂（比如异质网络、各种信息矩阵的内容）。
基于人工智能的多肽药物分析问题-项目综述2021SC@SDUSC
chy931088287的博客
09-30 1292
2021SC@SDUSC 背景综述 药物发现和研发是制药企业和化学科学家的重要研究领域。然而，低效率和高成本给该领域带来了障碍。此外，处理来自基因组学、蛋白质组学、微阵列和临床试验的大量复杂数据也存在挑战。人工智能和机器学习技术使制药领域实现了现代化。机器学习和深度学习算法已被应用于多肽合成、虚拟筛选、毒性预测、药物监测和释放、药效团建模、定量构效关系、药物重定位、多药理和生理活性等药物发现过程。其中，在多肽与蛋白质的研究领域里，药物靶标亲和度(DTA)预测、肽与HLA分子结合预测、多肽的三级结构预测等问题
论文复现：DeepDTA: deep drug–target binding affinity prediction Hakime
一个自律的人会想方设法阻止自己的懒惰
11-15 3376
论文复现，只实现模型及5-fold交叉验证，论文模型，未实现参数优化以及baseline对比。 数据读入： 模型： 文件结构： datahelper.py 改自官方发布的代码 import numpy as np import json import pickle import math from collections import OrderedDict # from keras.preprocessing.sequence import pad_sequences ##..
SARS-CoV-2:每日分析基因组SARS-CoV-2数据
04-17
SARS-CoV-2基因组数据的每日分析 该项目是银河团队更大努力的一部分： TL; DR 分析管道 我们从 每天的数据库。 这些大部分是从不同平台和不同区域收集的完整基因组序列。 有关的请参见此处。 我们提取完整的基因组...
covid19：SARS-CoV-2分析管道，用于短读，配对末端照明测序
02-09
SARS-CoV-2数据分析 SARS-CoV-2分析流程，用于短读，配对末端测序。 安装 是使用bioconda安装所有依赖项的代码的一部分。 make all 准备参考数据库和索引 有一个脚本可以下载和索引SARS-CoV-2和GRCh38参考序列。 ...
利用美国各州网络传播SARS-CoV-2_SARS-CoV-2 Dissemination using a Network of
01-19
文章标题“利用美国各州网络传播SARS-CoV-2”和描述中提到的研究，主要关注如何通过分析美国各郡之间的网络传播模式来理解并控制SARS-CoV-2（即新冠病毒）的传播。这涉及到网络科学、传染病动力学以及公共卫生策略等...
冠状病毒-德累斯顿数据：德累斯顿市发布的SARS-CoV-2感染数据（来自官方仪表板）
02-12
德累斯顿冠状病毒数据 目前的原始数据每天由中午发布。 这是城市用于其官方的数据集。 没有来自城市的数据历史记录，因为供下载的同一数据集始终被每日更新的数据状态所覆盖。 该存储库包含最新数据，自2020年10...
QCovid：提交给ENA的sars-cov-2序列+共识的QC管道
02-08
提交给ENA的SARS-CoV-2测序和装配数据的QC管道。 该代码的作用是什么？ 提供有关参考基因组中是否覆盖的基本QC信息。 提供共识程序集的掩码，显示大多数读取支持哪些碱基（比例是一个参数） 因此，处理分为两个流...
DeepDTA_Deep Drug-Target Binding Affinity Prediction2018.pdf
03-20
DTI预测领域的高被引lw，发表于2018年. Abstract Motivation The identification of novel drug–target (DT) interactions is a substantial part of the drug discovery process. Most of the computational methods that have been proposed to predict DT interactions have focused on binary classification, where the goal is to determine whether a DT pair interacts or not. However, protein–ligand interactions assume a continuum of binding strength values, also called binding affinity and predicting this value still remains a challenge. The increase in the affinity data available in DT knowledge-bases allows the use of advanced learning techniques such as deep learning architectures in the prediction of binding affinities. In this study, we propose a deep-learning based model that uses only sequence information of both targets and drugs to predict DT interaction binding affinities. The few studies that focus on DT binding affinity prediction use either 3D structures of protein–ligand complexes or 2D features of compounds. One novel approach used in this work is the modeling of protein sequences and compound 1D representations with convolutional neural networks (CNNs).
visual prediction中的几个metrics
01-07
这里记录一下在Visual Prediction中用到的几种metrics： The structural similarity (SSIM) 其中 SSIM的公式基于样本x和y之间的三个比较衡量：亮度 (luminance)、对比度 (contrast) 和结构 (structure)。 所以SSIM也可以写成这三个部分的组合 其中alpha,beta, gama和为1。 SSIM的计算方式为： def cal_ssim(im1,im2): assert len(im1.shape) == 2 and len(im2.shape) == 2 assert
2018-Bioinformatics-DeepDTA: deep drug-target binding affinity prediction
发呆的比目鱼的博客
03-14 381
2018-Bioinformatics-DeepDTA: deep drug-target binding affinity prediction
DeepDTAF:一种预测蛋白质配体结合亲和力的深度学习方法
学习日记
10-01 3048
DeepDTAF: a deep learning method to predictprotein–ligand binding affinity
用少于10行代码训练前沿深度学习新药研发模型
Paper weekly
07-28 2175
©PaperWeekly·作者｜黄柯鑫学校｜哈佛大学硕士生研究方向｜图学习和生物医疗深度学习正在革新药研发行业。在本文中，我们将展示如何使用 DeepPurpose，一个基于 PyT...
Deep drug-target binding affinity prediction with multiple attention blocks论文解读（二）2021SC@SDUSC
chy931088287的博客
12-28 878
2021SC@SDUSC 数据集 然后是对基准数据集的介绍，KIBA和DAVIS 使用CI和r2m度量标准来衡量所提出的模型和基准模型的性能。 对于Davis和KIBA数据集中蛋白质和药物的输入，我们采用了DeepDTA方法，通过字典将药物和蛋白质序列的smile数字化到一个固定的最大长度。 deepDTA deepDTA论文笔记：csdn：https://blog.csdn.net/qq_40311018/article/details/109672553 实验设置 作者在基准数据集上评估了MATT
Deep Learning Specialization课程笔记——深层神经网络
机器学习知识点整理
04-02 704
Forward Propagation in a Deep Network对第l层来说：Z^[l]=W^[l]*A^[l-1]+b^[l]A^[l]=g^[l](Z^[l])这个地方是可以对1...l...n层做一个for loop。Getting your matrix dimensions rightW^[l]的维度为(n^[l],n^[l-1])，b^[l]的维度为(n^[l],1)dW的维...
DeepGS：Deep Representation Learning of Graphs and Sequences for DTA | CNN,GAT,BiGRU,Prot2Vec
xxxxxxbaby的博客
10-25 2381
DeepGS: Deep Representation Learning of Graphs and Sequences for Drug-Target Binding Affinity Prediction（DTA） 这是一篇预测药物和靶标结合亲和力的文章，发表在ECAI2020上。文章最大的创新点在于首次提出三通道，在此之前都是使用二通道预测。 ECAI 2020：European Conference on Artificial Intelligence 欧洲人工智能会议 一、Introduct
SARS-CoV-2 TMPRSS2抑制剂研究：分子模拟与结构分析
这篇文章深入探讨了TMPRSS2（跨膜丝氨酸蛋白酶2）在SARS-CoV-2（严重急性呼吸综合征冠状病毒2型）感染过程中的作用，以及如何通过分子模拟技术来研究其抑制剂。TMPRSS2是SARS-CoV-2进入宿主细胞的关键因素，因为它...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值