2018-Bioinformatics-DeepDTA: deep drug-target binding affinity prediction

最新推荐文章于 2024-05-29 14:23:25 发布
最新推荐文章于 2024-05-29 14:23:25 发布
阅读量304 收藏
点赞数 1
分类专栏： DrugAi 文章标签： 人工智能
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/weixin_42486623/article/details/129315183
版权

2018-Bioinformatics-DeepDTA: deep drug-target binding affinity prediction


Paper: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6129291/
Code: https://github.com/hkmztrk/DeepDTA

DeepDTA: 深度药物-靶点结合亲和力预测

模型

输入表示

  • 蛋白质序列：40D张量（8D蛋白质二级结构特征；11D理化性质特征；21D氨基酸字符特征）
  • 蛋白质口袋序列特征：40D张量（每一维的特征与蛋白质序列相同），蛋白质-配体相互作用主要取决于配体与蛋白口袋之间的结合，蛋白质口袋由一个不连续的序列组成，包括了蛋白质的一些关键氨基酸，因此将口袋作为一个整体来进行局部特征的提取。
  • 配体分子SMILES字符特征：64D one-hot编码，包括了组成化合物SMILES码的64种字符。

    对于蛋白质序列，考虑到较长蛋白质序列的长程相互作用，使用了五层膨胀率分别为1，2，4，8，16的3x3卷积核；对于配体化合物SMILES序列，使用了四层膨胀率为1，2，4，8的3x3卷积核。即上图中的Dilated convolution A和Dilated convolution B。

数据集

Davis： 442蛋白-68配体，30056对相互作用， k d = − l o g ( k d 1 e 9 ) kd = -log(\frac{k_d}{1e9}) kd=−log(1e9kd​​)
KIBA ：过滤至少10对相互作用， 最终有229蛋白 - 2111药物，118254对相互作用
PDBbind： 里面包含了用-logki，-logkd和-logic50表示的经实验验证的蛋白质-配体结合亲和力数据。

结果

与基线模型的比较结果：

发呆的比目鱼
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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).
Deep-Learning-for-Clustering-in-Bioinformatics:基于深度学习的生物信息学聚类方法
05-25
基于深度学习的生物信息学聚类方法 ”期刊的“”中发表的论文“基于深度学习的生物信息学聚类方法”的代码和补充材料。 此仓库将定期更新。 特别是，将添加更完整的Jupyter笔记本。 在本文中，我们回顾了基于深度学习的聚类分析方法，包括网络训练，表示学习，参数优化和制定聚类质量指标。 我们还讨论了在不同的场景（例如生物成像，基因表达聚类）中，基于不同的自动编码器体系结构（例如，香草，变异，LSTM和卷积）的表示学习如何比基于ML的方法（例如，PCA）更有效。 ，以及将生物医学文本聚类。 基于深度学习的无监督/聚类方法，链接到论文和代码 我们提供了基于深度学习的无监督/聚类方法，论文链接和代码的列表。 此外，还将列出提出新方法和论文的文章。 敬请期待！ 标题 文章 会议/期刊 代码 卷积自动编码器（DCEC）的深度聚类 ICONIP'2017 用于一致性培训（UDA）的无监督数据增强 Arx
Bioinformatics-2:基因组测序
03-16
生物信息学-2
awesome-bioinformatics-benchmarks:精选的生物信息学基准测试论文和资源清单
03-08
很棒的生物信息学基准 精选的生物信息学基准测试论文和资源。 这种格式的功劳是肖恩·戴维斯（Sean Davis）的资料库，而 Ming Tang）的资料库。 如果您的基准研究尚未包含在此列表中，请提出。 内容 收录论文规则 论文必须是3种或更多工具/方法的客观比较。 论文一定很棒。 此列表并不是要编入历史记录，而只是列出那些特别广泛，做得好和/或提供独特见解的基准研究。 通常不应从作者那里发表论文来说明为什么他们的工具/方法比其他方法更好。 基准测试数据应该公开可用，或者模拟代码/方法必须有充分的文档证明和可复制性。 可以根据需要添加其他准则/规则。 格式与组织 添加论文时，请包括以下信息。 标题： 作者： 期刊信息： 描述： 比较的工具/方法： 建议： 附加链接（可选）： 每个部分中的论文都应按发布日期排序，而最新的论文则排在首位。 工具/方法部分 可以根据
awesome-bioinformatics-formats:生物信息学格式和出版物的精选清单
03-17
很棒的生物信息学格式 生物信息学格式和出版物的精选清单。 这里并不是每种格式本身都是“很棒的”，但是如果您正在考虑创建一种新格式，那么这可能是您首先查看潜在的现有格式的地方。 我们还包括并非特定于生物信息学的格式，但应将其用于生物信息学应用程序。 请随时自己的。 埃达姆 EDAM是生物信息学和计算生物学中普遍存在的，已建立的熟悉概念的综合本体，包括数据类型和数据标识符，数据格式，操作和主题。 EDAM提供了一组带有首选术语和同义词，定义以及一些其他信息的概念-组织成简单直观的层次结构以方便使用。 是针对生物信息学数据（包括格式）的更详尽且已建立的本体。 它不打算替代EDAM，也不包含与EDAM一样多的信息，请参考包括该可在内的大量资源以获取更多信息。 我们要求您尽可能以任何格式链接到EDAM本体。 如果您的格式不可用，那么这也是为EDAM做出贡献的绝佳机会。 目录 格式 一般的 不应该
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 3139
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 ##..
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 3546
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，...
Deep drug-target binding affinity prediction with multiple attention blocks论文解读（二）2021SC@SDUSC
chy931088287的博客
12-28 833
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 drug-target binding affinity prediction with multiple attention blocks论文解读（一）2021SC@SDUSC
chy931088287的博客
12-28 1001
2021SC@SDUSC 论文解读： 摘要： DTI预测背景： 药物靶间相互作用(DTI)预测由于其在药物发现过程中的重要地位而受到越来越多的关注。许多研究引入计算模型，将DTI预测作为回归任务，直接预测药物靶对的结合亲和性。 现有研究的缺陷与作者提出的模型： 然而，现有的研究在编码药物化合物时忽略了原子之间的本质相关性，仅仅通过连接来模拟药物靶对的相互作用。基于这些观察，在本研究中，我们提出了一个端到端的模型与多个注意块来预测药物靶对的结合亲和性得分。 作者模型的效果： 我们提出的模型提供了通过关系感知自
【DeepDTA模型解读】
VictoryZhou_的博客
11-15 1399
解读DeepDTA模型的工作
Cannabis-Bioinformatics-Scripts-:此存储库中的所有脚本都旨在用于大麻基因组学研究计划
06-02
大麻-生物信息学-脚本- 此存储库中的所有脚本都旨在用于大麻基因组学研究计划
2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks
发呆的比目鱼的博客
07-06 564
2020 Bioinformatics | GraphDTA: predicting drug target binding affinity with graph neural networks
Tag deep-learning 一大堆深度学习论文
热门推荐
GarfieldEr007的专栏
05-30 1万+
Tag deep-learning [159 articles]  Recent papers classified by the tag deep-learning. Search   Copy  Export   Sort  Hide Details   ✔ Deep Learning withou
强化学习——学习笔记3
最新发布
qq_52302919的博客
05-29 1350
先上图：在上述流程图中所说的Q表即为下表：假设我们在玩一个小游戏，该游戏有上下左右不同的动作，同时也会有不同的状态，比如游戏结束等。Q表也可以称为状态-价值函数QsaQ(s,a)Qsa：这个表格的每一行代表每个 state上述例子中的游戏结束等，每一列代表每个 action上述例子中的上下左右，表格的数值就是在各个 state 下采取各个 action 时能够获得的最大的未来期望奖励。
学 Python 具体能干什么？
猿小白的博客
05-26 1315
Python 是一种功能强大、用途广泛的编程语言，因其简洁易读的语法和丰富的库生态系统而备受欢迎。
从零实现Llama3中文版
wdn blog
05-26 813
从零实现Llama3中文版，该项目能在一台 16G RAM 的笔记本电脑上运行。
强化学习——学习笔记
qq_52302919的博客
05-27 1295
强化学习问题通常可以建模为一个马尔可夫决策过程，包括以下几个要素：1、状态集合 (State Set)：S；2、动作集合 (Action Set)：A；Ps′∣saPs′∣sa，描述在状态s下执行动作a后转移到状态s′s^′s′的概率；Rsas′Rsas′，描述在状态s 下执行动作a并转移到状态s′后获得的奖励。πa∣sπ (a∣s)πa∣s，描述智能体在状态s下选择动作a 的概率。
AI开发初体验：昇腾加持，OrangePi AIpro 开发板
上周的博客
05-27 1263
因为工作需要，以及个人兴趣，本人经常购买开发板进行调试、学习，但具备AI计算的开发板，本人尚未体验过，究其原因，是因为自觉知识储备可能无法胜任AI的开发工作。然而，在体验了OrangePi AIpro 开发板之后，却大大改变了我的看法——AI时代，真的已经来临！OrangePi AIpro 开发板是香橙派联合华为精心打造的高性能 AI 开发板，其内置华为昇腾 AI 处理器，作为国产AI 芯片翘楚，实乃开发板的一大亮点！
i want to get a self-introduction about the bioinformatics phD interview
02-21
首先，生物信息学博士面试是一个非常具有挑战性的过程，它要求考生拥有良好的专业知识和技能，并有能力准确理解和处理复杂的生物信息学问题。此外，考生还需要具备良好的研究能力和分析能力，以及充足的数据分析和实验技能，以帮助他们更好地完成研究工作。

“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

打赏作者

发呆的比目鱼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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