کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8319447 1539331 2018 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Statistical and machine learning approaches to predicting protein-ligand interactions
ترجمه فارسی عنوان
روش های یادگیری آماری و ماشین برای پیش بینی متابولیسم پروتئین-لیگاند
ترجمه چکیده
رویکردهای محاسباتی مبتنی بر داده ها برای پیش بینی پیوند پروتئین-لیگاند در حال حاضر به سطوح بی سابقه ای از دقت در مجموعه داده های آزمایشی ارائه شده است. تا این حال تا به امروز، این امر به پیشرفت های متفاوتی در توانایی ما در طراحی لیگاند های جدید برای اهداف پروتئینی مورد علاقه منجر نشده است. این بررسی خلاصه وضعیت فعلی هنر در این زمینه، با تاکید بر توسعه اخیر شبکه های عصبی عمیق برای پیش بینی پیوند پروتئین لیگاند. ما چالش های اصلی فنی را که باعث پیش بینی لیگاند های جدید شده است، از جمله مشکلات نمونه برداری از سر و صدا و چالش استفاده از مجموعه داده های معیاری که به اندازه کافی بی طرفانه هستند، اجازه می دهد که مدل را به استخراج رژیم های جدید، توضیح دهیم.
موضوعات مرتبط
علوم زیستی و بیوفناوری بیوشیمی، ژنتیک و زیست شناسی مولکولی زیست شیمی
چکیده انگلیسی
Data driven computational approaches to predicting protein-ligand binding are currently achieving unprecedented levels of accuracy on held-out test datasets. Up until now, however, this has not led to corresponding breakthroughs in our ability to design novel ligands for protein targets of interest. This review summarizes the current state of the art in this field, emphasizing the recent development of deep neural networks for predicting protein-ligand binding. We explain the major technical challenges that have caused difficulty with predicting novel ligands, including the problems of sampling noise and the challenge of using benchmark datasets that are sufficiently unbiased that they allow the model to extrapolate to new regimes.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Current Opinion in Structural Biology - Volume 49, April 2018, Pages 123-128
نویسندگان
,