DTI | Drug-target interaction | 基础知识

最新推荐文章于 2022-10-30 10:29:41 发布
最新推荐文章于 2022-10-30 10:29:41 发布
阅读量1.1k 收藏 4
点赞数 3
分类专栏： 笔记 文章标签： python 数据挖掘 神经网络 深度学习
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/qq_34107425/article/details/122509195
版权
  • Drug Targets Interactions （DTI）基础概念
  • 文章转自微信公众号【机器学习炼丹术】
  • 作者：陈亦新（已授权）
  • 联系方式: 微信cyx645016617
  • 欢迎交流，共同进步
    第一次接触蛋白质结构预测，记录一下笔记。

1 基础概念学习

好的学习视频推荐：

  • https://www.youtube.com/watch?v=u49k72rUdyc

1.1 Drug Targets

  • 药物靶点

Drug targets是蛋白质

蛋白质是大型生物分子，由很多的氨基酸amino acids组成

蛋白质结构的要素有螺旋（helic），折叠sheet和无规则卷曲loop

可以把蛋白质想象成一个大型的球状结构，上面有很多的凹槽（grooves）什么是结合部位（Binding Site）？

[它们可能有一个埋藏的结合位点，这有利于药物的可药用性,可以找到或设计一个小的药物分子来填充这个结合位点.药物比蛋白质小。配体越适合蛋白质结合位点，药物的效力就越强。我们经常谈论“锁中的钥匙”图像来解释配体-蛋白质结合]

1.2 Molecular interactions

  • 分子相互作用

当我们考虑药物和蛋白质的相互作用的时候，我们其实在考虑分子层面的相互作用

下面是视频的翻译，看视频会好理解一些。

  • 比方说，hydrogen bonds让分子紧紧的连接到蛋白质上，疏水性配体原子中的疏水性蛋白质原子群也是如此.疏水封闭的氢键也加强了末端与蛋白质的结合.其他吸引配体到蛋白质的特殊相互作用包括配体和蛋白质的芳香基团之间的π阳离子和π-π堆积相互作用。
  • 强效配体也紧密地结合在结合位点内，同时避免与蛋白质发生冲突（空间冲突）
  • 氢键被疏水残基包围
微信公众号[机器学习炼丹术]
关注
  • 3
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
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).
DTI开源软件
12-04
开源的DTI学习代码，支持CUDA，MATLAB代码简单易懂。比较珍贵
Identifying Drug–target Interactions Based on Heterogeneous Biological Data - PART 1
02-08
Identifying Drug–target Interactions Based on Heterogeneous Biological Data - PART 1
DTI-VBA-preprocess.sh
03-16
DTI-VBA-pre.sh 用于VBA分析处理DTI数据的脚本
Frontiers in Neuroscience：弥散张量成像(DTI)研究指南
cc1609130201的博客
04-07 7856
弥散张量成像（DTI）的研究越来越受到临床医生和研究人员的欢迎，因为它们提供了对脑网络连接的独特见解。然而，为了优化DTI的使用，必须考虑到几个技术和方法方面的问题，因为这些问题会影响到DTI研究结果的准确性和可重复性。本文由葡萄牙学者发表在Frontiers in Neuroscience杂志。 这些方面包括：采集协议、伪影处理、数据质量控制、张量重建算法、可视化方法和定量分析方法。此外，研究...
关于drug-target interaction
白景屹的博客
09-27 1223
对于药物靶标预测（drug-target interaction），上面两个任务都能节约时间成本，促进药物发现。深度学习在药物再利用和虚拟筛选方面表现出强大的性能。这两个任务都依赖于一项基本任务的准确和快速预测：药物-靶标相互作用预测。。给定一个强大的 DTI 模型，它能够泛化一个新的看不见的数据集，然后我们可以扩展到药物再利用和筛选（repurposing or screening）。
Graph Convolutional Neural Networks for Predicting Drug-Target Interactions
wangprince2017
02-22 913
1. 摘要 2. 数据集 DUDE数据集改进 DUDE-chemBl负样本数据集 最大无偏数据集（MUV） 3. 图构建 pocket graph molecuar graph 4. 口袋pretraining 使用autoencoder 4.1 阶段1 自编码 编码器 解码器 4.2 阶段二自编码 4.3 模型设计 实验结果 1. baseline 2. 数据可视化 3.测试模型是否有学习到口袋信息 4...
Identifying drug–target interactions based on graph convolutional network and deep neural network 论文
垃圾就应该待在垃圾桶里的博客
09-22 1575
Identifying drug–target interactions based on graph convolutional network and deep neural network 文章目录摘要一、引言二、方法1.Construction of the DPP network2.GCN-based feature representation3.Classification by DNN三、结果1.Datasets2.Experiment setup四、结论五、个人理解 摘要 新药-靶向相
2021 RSC | Drug–target affinity prediction using graph neural network and contact maps
发呆的比目鱼的博客
07-03 1198
2021 RSC | Drug–target affinity prediction using graph neural network and contact maps
CIKM 2022 | HGANDTI: 药物-靶点相互作用预测的异构图注意网络
苏里的博客
10-30 5094
数据挖掘顶会论文
DTI Fiber Explorer-开源
07-01
DTI 光纤交互式探索的新界面
Project-FE02-06：最终项目DTI FE02-Tim 6
02-16
Create React App入门 该项目是通过。 可用脚本 在项目目录中，可以运行： yarn start 在开发模式下运行应用程序。 打开在浏览器中查看。 如果进行编辑，页面将重新加载。 您还将在控制台中看到任何棉绒错误。...
CM-SP-DTI-I06-150305
06-17
Data-Over-Cable Service Interface Specifications Modular Headend Architecture DOCSIS Timing Interface Specification Existing DOCSIS Specification & ATP Requirements Remote PHY System Requirements ...
图像分割必备知识点 | Unet详解 理论+ 代码
热门推荐
忽逢桃林的博客
11-26 4万+
文章转自：微信公众号【机器学习炼丹术】。文章转载或者交流联系作者微信：cyx645016617 Unet其实挺简单的，所以今天的文章并不会很长。 喜欢的话可以参与文中的讨论、在文章末尾点赞、在看点一下呗。 0 概述 语义分割(Semantic Segmentation)是图像处理和机器视觉一个重要分支。与分类任务不同，语义分割需要判断图像每个像素点的类别，进行精确分割。语义分割目前在自动驾驶、自动抠图、医疗影像等领域有着比较广泛的应用。 上图为自动驾驶中的移动分割任务的分割结果，可以从一张图片中有效的识别
图像分割必备知识点 | Unet++ 超详解+注解
忽逢桃林的博客
12-03 1万+
文章来自周纵苇大佬的知乎，是Unet++模型的一作大佬，其在2019年底详细剖析了Unet++模型，讲解的非常好。所以在此做一个搬运+个人的理解。 文中加粗部分为个人做的注解。需要讨论交流的朋友可以加我的微信：cyx645016617，也可以加入我建立的一个氛围超好的AI算法交流群。我只是一个在智能算法路上缓慢前行的应届混子。 参考目录： 文章目录1 铺垫2 展开3 主体4 高潮5 最后一提 1 铺垫 在计算机视觉领域，全卷积网络（FCN）是比较有名的图像分割网络，医学图像处理方向，U-Net可以说是一个更
图像分割必备知识点 | Dice损失 理论+代码
忽逢桃林的博客
11-25 1万+
本文包含代码案例和讲解，建议收藏，也顺便点个赞吧。欢迎各路朋友爱好者加我的微信讨论问题：cyx645016617. 在很多关于医学图像分割的竞赛、论文和项目中，发现 Dice 系数(Dice coefficient) 损失函数出现的频率较多，这里整理一下。使用图像分割，绕不开Dice损失，这个就好比在目标检测中绕不开IoU一样。 1 概述 Dice损失和Dice系数（Dice coefficient）是同一个东西，他们的关系是： DiceLoss=1−DiceCoefficientDiceLoss = 1-
生成专题2 | 图像生成评价指标FID
忽逢桃林的博客
03-02 5498
文章转自微信公众号：机器学习炼丹术 作者：陈亦新（欢迎交流共同进步） 联系方式：微信cyx645016617 文章目录2.1 感性理解2.2 代码实现 2.1 感性理解 FID是Fréchet Inception Distance。 FID依然是表示生成图像的多样性和质量，为什么FID越小，则图像多样性越好，质量越好。 FID的计算器中，我们也是用了inception network网络。inception netowrk其实就是特征提取的网络，最后一层输出图像的类别。不过我们会去除最后的全连接或者池化.
生成专题1 | 图像生成评价指标 Inception Score （IS）
忽逢桃林的博客
03-02 4443
文章转自微信公众号：机器学习炼丹术 作者：陈亦新（欢迎交流共同进步） 联系方式：微信cyx645016617 文章目录1.1 感性理解1.2 数学推导1.3 KL散度的物理意义 1.1 感性理解 IS是Inception Score。 熵entropy可以被用来描述随机性：如果一个随机变量是高度可预测的，那么它就有较低的熵；相反，如果它是乱序随机的，那么它就是有较高的熵。这和训练分类网络所用的交叉熵是同一个道理。 如下图，我们有两个概率：高斯分布和均匀分布。可以推断出，高斯分布的entropy小于均匀分.
self-training | MICCAI2021 | BN层的source free的迁移
忽逢桃林的博客
01-28 3979
文章转自微信公众号：机器学习炼丹术 论文名称：Adapting Off-the-Shelf Source Segmenter for Target Medical Image Segmentation 作者：炼丹兄（欢迎交流共同进步） 联系方式：微信cyx645016617 论文链接：https://arxiv.org/abs/2109.09735 【前言】：Source-free的论文被拒之后，reviewer给出了很好的意见，并且给出了一些相关的论文。之前的文献整理阶段没有做完善，对比试验比较少，.
如何调用https://github.com/Zora-LM/HGAN-DTI这个模型
最新发布
05-25
这个模型是一个基于PyTorch的深度学习模型，用于预测药物与蛋白质之间的相互作用。如果你想使用该模型进行预测，需要按照以下步骤进行： 1. 首先，你需要下载该模型的代码和训练好的权重文件。可以通过以下命令从GitHub上进行下载： ``` git clone https://github.com/Zora-LM/HGAN-DTI.git ``` 2. 接下来，你需要安装该模型的依赖项。可以通过以下命令进行安装： ``` pip install -r requirements.txt ``` 3. 下载训练好的权重文件。你可以从该项目的release页面中下载预训练的权重文件，并将其保存到`./saved_models/`目录下。 4. 使用该模型进行预测。你可以使用`predict.py`文件进行预测。运行以下命令： ``` python predict.py --drug SMILES --target FASTA --model_name MODEL_NAME ``` 其中，`--drug`参数指定药物的SMILES表示，`--target`参数指定蛋白质的FASTA表示，`--model_name`参数指定使用的模型。例如，如果你想使用预训练的`HGAN-DTI`模型进行预测，可以运行以下命令： ``` python predict.py --drug 'CC1=C(C=CC=C1)C(=O)NC2=CC=CC=C2' --target 'MGLSDGEWQLVLHVWAKVEADVAGHGQDILIRLFKSHPETLEKFDRVKHLKTEAEMKASEDLKKHGVTVLTALGAILKKKGHHEAEIKPLAQSHATKHKIPVKYLEFISEAIIHVLHSRHPGDFGADAQGAMNKALELFRKDMASNYKELGFQG' --model_name HGAN-DTI ``` 注意，该模型的输入需要是药物的SMILES表示和蛋白质的FASTA表示。如果你没有这些表示，你需要先将药物和蛋白质转换为相应的表示。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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