企业网站可以做商城类,南通专业企业门户网站设计,广告宣传费明细和单价,wordpress打开缓慢基于深度学习模型的药物-靶标结合亲和力预测
这是一篇二区的文章#xff0c;算是一个综述#xff0c;记录一下在阅读过程中遇到的问题。 文章目录 基于深度学习模型的药物-靶标结合亲和力预测前言一、蛋白质接触图谱二、为什么蛋白质图谱的准确性对DTA模型预测结果没有影响1…基于深度学习模型的药物-靶标结合亲和力预测
这是一篇二区的文章算是一个综述记录一下在阅读过程中遇到的问题。 文章目录 基于深度学习模型的药物-靶标结合亲和力预测前言一、蛋白质接触图谱二、为什么蛋白质图谱的准确性对DTA模型预测结果没有影响1.对这段话的解释2.关于Alphafold3 三、随机配体与随机配体节点属性配体一般指药物1.什么是随机配体与配体节点属性 四、关于深度学习模型对特征的自动学习过程1.是怎么进行自动学习的2.特征学习过程2.深度神经网络模型对相互作用的预测DNN DML的学习。 总结 前言
提示这里可以添加本文要记录的大概内容
例如随着人工智能的不断发展机器学习这门技术也越来越重要很多人都开启了学习机器学习本文就介绍了机器学习的基础内容。 提示以下是本篇文章正文内容下面案例可供参考
一、蛋白质接触图谱
蛋白质接触图谱是一种用于表示蛋白质三维结构的工具。它使用一个二元二维矩阵来表示所有可能的氨基酸残基对之间的距离¹⁴。
在这个矩阵中如果两个氨基酸在空间中的距离小于一定的阈值通常是8Å那么我们就认为这两个氨基酸是接触的矩阵中对应的元素值为1否则我们认为这两个氨基酸不接触矩阵中对应的元素值为0²。
蛋白质接触图谱的主要意义在于它提供了一种直观的方式来理解蛋白质的三维结构特别是蛋白质内部各个氨基酸之间的相互作用。这对于理解蛋白质的功能以及进行药物设计等任务具有重要的意义²。
Source: Conversation with Copilot, 28/05/2024 (1) Biopython | 计算蛋白质的接触图(contact map) - CSDN博客. https://blog.csdn.net/u012325865/article/details/121118617. (2) Biopython | 计算蛋白质的接触图(contact map) - 华为云社区. https://bbs.huaweicloud.com/blogs/308589. (3) 蛋白质结构预测—残基接触的基础知识—接触概念三_残基的ca-CSDN博客. https://blog.csdn.net/qq_36112387/article/details/117029591. (4) 【9.4.1】蛋白-配体相互作用指纹图谱PLIF - Sam’ Note. https://bing.com/search?q%e8%9b%8b%e7%99%bd%e8%b4%a8%e6%8e%a5%e8%a7%a6%e5%9b%be%e8%b0%b1%e6%98%af%e4%bb%80%e4%b9%88. (5) undefined. https://files.rcsb.org/download/.
蛋白质接触图谱是一种二元二维矩阵用于表示蛋白质三维结构中所有可能的氨基酸残基对之间的距离。以下是一个简化的例子
假设我们有一个由四个氨基酸残基组成的蛋白质我们可以将其表示为一个4x4的矩阵。在这个矩阵中如果两个氨基酸在空间中的距离小于一定的阈值通常是8Å那么我们就认为这两个氨基酸是接触的矩阵中对应的元素值为1否则我们认为这两个氨基酸不接触矩阵中对应的元素值为0。
例如假设第一个和第二个氨基酸接触第三个和第四个氨基酸接触其他的氨基酸对不接触那么我们可以得到以下的接触图谱
0 1 0 0
1 0 0 0
0 0 0 1
0 0 1 0在这个例子中矩阵的第一行和第二列的元素值为1表示第一个和第二个氨基酸接触矩阵的第三行和第四列的元素值为1表示第三个和第四个氨基酸接触¹。
这只是一个简化的例子实际的蛋白质接触图谱会更复杂因为蛋白质通常由数百到数千个氨基酸残基组成而且它们在空间中的排列方式也会非常复杂¹。希望这个例子能帮助你理解蛋白质接触图谱的基本概念如果你有任何其他问题或需要进一步的解释请随时告诉我
Source: Conversation with Copilot, 28/05/2024 (1) Biopython | 计算蛋白质的接触图(contact map) - CSDN博客. https://blog.csdn.net/u012325865/article/details/121118617. (2) The Human Protein Atlas. https://www.proteinatlas.org/. (3) 蛋白质间接触的深度图学习,Bioinformatics - X-MOL. https://www.x-mol.com/paper/1495660998561189888/t?recommendPaper1376496881286754304. (4) undefined. https://files.rcsb.org/download/. (5) undefined. https://github.com/zw2x/glinter.
二、为什么蛋白质图谱的准确性对DTA模型预测结果没有影响
基于蛋白质接触图谱的蛋白质编码方法并不能提高深度学习模型的性能。此外通过各种预测方法计算的不同蛋白质接触图谱如AlphaFold2 [73]、Pconsc4 [74]和ESM-1b [75]无论其准确性如何对DTA预测都没有太大影响。同样蛋白质和药物编码的组合方法不会显着影响深度学习模型的性能。在随机配体和随机配体节点属性之间的配体编码中观察到显着差异表明学习任务对配体数据的依赖性要大得多。
1.对这段话的解释
这段文字主要讨论了几种蛋白质编码方法和药物编码方法对深度学习模型性能的影响。以下是主要观点的总结 基于蛋白质接触图谱的蛋白质编码方法并不能提高深度学习模型的性能。这意味着尽管蛋白质接触图谱包含了蛋白质的三维结构信息但这些信息并没有帮助提高模型的预测性能。 无论使用哪种预测方法如AlphaFold2、Pconsc4和ESM-1b计算的蛋白质接触图谱其准确性如何对药物靶点亲和力DTA预测都没有太大影响。这可能表明DTA预测更多地依赖于其他类型的信息而不仅仅是蛋白质的结构信息。 蛋白质和药物编码的组合方法不会显着影响深度学习模型的性能。这可能说明编码方法的选择并不是影响模型性能的关键因素。 在随机配体和随机配体节点属性之间的配体编码中观察到显着差异表明学习任务对配体数据的依赖性要大得多。这可能意味着对于这类任务配体的特性和属性可能比蛋白质的信息更为重要。
这些发现可能对深度学习在药物发现中的应用有重要的指导意义。希望这个总结对你有所帮助如果你有任何其他问题或需要进一步的解释请随时告诉我
2.关于Alphafold3
结合最新的Aphafold3呢为什么蛋白质接触图谱其准确性如何对药物靶点亲和力DTA预测都没有太大影响。 关于AlphaFold3据报道⁵⁶⁷⁸它在预测蛋白质结构和相互作用方面取得了显著的进步。AlphaFold3可以预测蛋白质、DNA、RNA、配体等生物分子的结构和相互作用这对于理解生物世界和药物发现具有重要的意义。对于蛋白质与其他分子类型的相互作用AlphaFold3的预测精度至少比现有的预测方法提高了50%对于一些重要的相互作用类别预测精度甚至翻了一番。
然而即使是AlphaFold3这样的先进工具也并不能保证在所有情况下都能提高药物靶点亲和力DTA预测的性能。这可能是因为DTA预测的复杂性远超过了蛋白质结构的预测。DTA预测不仅需要考虑蛋白质的三维结构还需要考虑药物分子的结构、药物和蛋白质之间的相互作用方式、药物分子和蛋白质在生物体内的动态行为等多种因素¹²³⁴。
因此尽管蛋白质接触图谱的准确性对于理解蛋白质的三维结构非常重要但它可能并不是影响DTA预测性能的关键因素。这也解释了为什么即使使用了不同的蛋白质接触图谱预测方法如AlphaFold2、Pconsc4和ESM-1b其准确性如何对DTA预测的影响都不大。希望这个解释对你有所帮助如果你有任何其他问题或需要进一步的解释请随时告诉我
Source: Conversation with Copilot, 28/05/2024 (1) AlphaFold 3 predicts the structure and interactions of all of life’s … https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/. (2) Major AlphaFold upgrade offers boost for drug discovery - Nature. https://www.nature.com/articles/d41586-024-01383-z. (3) Why AlphaFold 3 is stirring up so much buzz in pharma. https://www.pharmavoice.com/news/google-alphafold-3-drug-discovery-pharma-buzz/716496/. (4) DeepMind Unveils AlphaFold3: Revolutionizing Protein Interactions with … https://thenota.com/post/2024/may/24/deepmind-unveils-alphafold3-revolutionizing-protein-interactions-with-ai/. (5) Drug–target affinity prediction using graph neural network and contact maps. https://pubs.rsc.org/en/content/articlelanding/2020/ra/d0ra02297g. (6) Drug–target affinity prediction with extended graph learning … https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-024-05698-6. (7) PGraphDTA: Improving Drug Target Interaction Prediction using Protein … https://ar5iv.labs.arxiv.org/html/2310.04017. (8) Drug–target affinity prediction using graph neural network and contact maps. https://pubs.rsc.org/en/content/articlehtml/2020/ra/d0ra02297g.
三、随机配体与随机配体节点属性配体一般指药物
随机配体和随机配体节点属性之间存在显着差异。这表明学习任务对配体数据的依赖性要大得多也就是说配体的数据质量和表示方式对预测结果的影响较大
1.什么是随机配体与配体节点属性
随机配体和随机配体节点属性是在研究中用来测试深度学习模型对配体数据依赖性的方法¹。 随机配体这是指从所用数据集中随机采样获得的配体的编码¹。在这种情况下配体的编码并不是基于其真实的化学结构而是随机选择的。这种方法可以帮助研究人员理解模型是否能够从随机数据中学习到有用的信息或者模型的性能是否严重依赖于配体数据的质量和准确性。 随机配体节点属性这是指通过随机化输入配体图的节点特征获得的配体编码¹。在这种情况下配体的化学结构即图的拓扑结构保持不变但节点代表原子的属性例如原子类型、电荷等被随机化。这种方法可以帮助研究人员理解模型是否能够在节点属性被扰动的情况下保持良好的性能或者模型的性能是否严重依赖于节点属性的准确性。
这两种方法都是用来测试深度学习模型对配体数据的敏感性和依赖性的。研究发现当使用随机配体和随机配体节点属性时模型的性能有显著差异这表明学习任务在更大程度上依赖于配体数据¹。这也就是说配体的数据质量和表示方式对预测结果的影响较大。
Source: Conversation with Copilot, 30/05/2024 (1) 从蛋白质到配体解码用于结合亲和力预测的深度学习方法. https://www.x-mol.com/paper/1726959214536708096/t?recommendPaper1526715. (2) 深度学习在蛋白-配体亲和力预测中应用的探索 - 简书. https://www.jianshu.com/p/7060636815b3. (3) Drug Discov Today配体-蛋白的分子对接中的机器学习-腾讯云开发者社区-腾讯云. https://cloud.tencent.com/developer/article/1899807.
四、关于深度学习模型对特征的自动学习过程
深度学习在药物靶点亲和力Drug-Target AffinityDTA预测中的应用。以下是主要观点的总结 深度学习方法可以在模型架构中集成特征表示和目标值预测。这意味着深度学习模型可以同时处理特征提取和预测任务而无需进行独立的特征工程步骤。 这些模型可以自动学习化合物和蛋白质的有效表示。这是通过训练深度学习模型来识别和提取与DTA预测相关的重要特征。这些特征可能包括化合物的化学结构、蛋白质的氨基酸序列、以及它们之间的相互作用等。
1.是怎么进行自动学习的
当然可以。这里有一个具体的例子叫做DeepCPI¹。DeepCPI是一个基于深度学习的框架用于预测化合物和蛋白质的相互作用。它的工作原理如下 语义分析和Word2vec方法DeepCPI首先使用语义分析和Word2vec方法来获取化合物和蛋白质的低维特征表示¹。具体来说它将化合物和蛋白质视为文本将化合物的结构和蛋白质的氨基酸序列视为单词然后使用Word2vec方法来学习这些单词的低维嵌入¹。 多模态深度神经网络DNN分类器接下来DeepCPI将这些低维特征输入到一个多模态深度神经网络DNN分类器中预测化合物和蛋白质是否会相互作用¹。
通过这种方式DeepCPI能够自动学习化合物和蛋白质的有效表示并用这些表示来预测它们是否会相互作用。这个过程不需要人工设计特征而是通过深度学习模型自动学习得到的¹。
希望这个例子能帮助你理解这个概念如果你有任何其他问题或需要进一步的解释请随时告诉我
Source: Conversation with Copilot, 28/05/2024 (1) GPB|DeepCPI:基于深度学习的化合物和蛋白质相互作用预测框架-腾讯云开发者社区-腾讯云. https://cloud.tencent.com/developer/article/1785292. (2) Drug Discov Today | 分子表示与性质预测中的深度学习方法-腾讯云开发者社区-腾讯云. https://cloud.tencent.com/developer/article/2165401. (3) 【2021研电赛】基于深度学习的蛋白质与化合物结合性质预测 - 知乎. https://zhuanlan.zhihu.com/p/665870092. (4) 生物信息学|DeepPurpose:药物靶标相互作用预测的深度学习库-CSDN博客. https://blog.csdn.net/ShenggengLin/article/details/110098120. (5) undefined. https://academic.oup.com/nar/article/34/suppl_1/.
2.特征学习过程
深度学习模型如用于预测化合物和蛋白质相互作用的模型是通过训练数据集进行学习的。这个训练数据集通常包含一些已知的化合物和蛋白质以及它们是否相互作用的信息。
具体来说每个数据点在数据集中通常由一个化合物、一个蛋白质和一个标签组成。化合物和蛋白质的信息可以是它们的化学结构、氨基酸序列等特征而标签则表示这个化合物和蛋白质是否相互作用。
在训练过程中模型会尝试找到一种映射关系将输入的化合物和蛋白质的特征映射到它们是否相互作用的标签。这个过程通常涉及到一些优化算法如梯度下降以及一些损失函数如交叉熵损失。
通过这种方式模型可以学习到化合物和蛋白质的特征与它们是否相互作用之间的关系从而在给定新的化合物和蛋白质时能够预测它们是否会相互作用。
在化合物和蛋白质的相互作用中深度学习模型可能会学习到一些特定的模式或特征。这些特征可能包括但不限于以下几种
化学结构特征例如化合物的分子大小、形状、电荷分布、极性、亲水性或疏水性等。这些特征可以影响化合物与蛋白质的结合能力和方式。 氨基酸序列特征例如蛋白质的氨基酸序列、二级结构如螺旋、折叠和转角、三级结构如蛋白质的空间结构等。这些特征可以影响蛋白质的功能和与化合物的相互作用。 蛋白质-化合物相互作用特征例如化合物与蛋白质结合部位的形状和性质、化合物与蛋白质之间的距离、角度、键长、键角等。这些特征可以直接反映化合物与蛋白质的相互作用强度和方式。
2.深度神经网络模型对相互作用的预测DNN DML的学习。
总结
提示这里对文章进行总结
例如以上就是今天要讲的内容本文仅仅简单介绍了pandas的使用而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
