Молекулярна фармацевтика, том 15, No 10

Вам потрібно увійти за допомогою свого ACS ID, перш ніж ви зможете увійти за допомогою свого акаунта Менделлі.

Увійти з ідентифікатором ACS

АБО ЦИТЕТИ ПОШУКУ

Ви ще не відвідували жодної статті. Будь ласка, відвідайте деякі статті, щоб переглянути вміст тут.

  • публікацій
  • моя активність
    • недавно переглянутий
  • користувацькі ресурси
    • Автори та рецензенти
    • Бібліотекарі та менеджери рахунків
    • Члени АСУ
    • попередження
    • RSS і мобільні
  • підтримка
    • Демонстрація та підручники веб-сайтів
    • Поширені запитання про підтримку
    • Чат в чаті з агентом
    • Для рекламодавців
    • Для бібліотекарів та менеджерів рахунків
  • сполучення
    • Підключіть пристрій до пари
    • Створити пару з цим пристроєм
    • Статус пари
  • Мій профільУвійтиВхідПарування пристроюПарування цього пристроюСпарений стан
  • про нас
    • Огляд
    • САУ та відкритий доступ
    • Партнери
    • Події
ВИДИ ЗМІСТУ

Усі типи

ТЕМИ

молекулярна

  • ПОПЕРЕДНЕ ВИПУСК
  • НАСТУПНЕ ВИПУСК
  • ПЕРЕГЛЯНУТИ ВСІ ПИТАННЯ
  • Якомога швидше
  • JAM
Про обкладинку:

Генеративні змагальні мережі та методи глибокого підкріплення поширюються у багатьох сферах фармацевтичних досліджень та розробок, навчання та збільшення людських здібностей.

У цьому випуску:
Глибоке навчання для розкриття наркотиків та розробки біомаркерів Редакція
Штучний інтелект для виявлення лікарських засобів, розробки біомаркерів та генерації нової хімії
Статті
Повторне призначення лікарських засобів за допомогою глибокого вбудовування профілів експресії генів
  • Йоні Доннер*,
  • Стефан Казмерчак*, і
  • Крістен Фортні*

Обчислювальне репозиціонування ліків вимагає оцінки функціональної подібності між сполуками. Тут ми повідомляємо про новий метод вимірювання функціональної подібності сполуки на основі даних про експресію генів. Цей підхід використовує переваги глибоких нейронних мереж, щоб вивчити вбудовування, яке суттєво позначає дані виразів, роблячи репліки тієї ж сполуки більш схожими. Наш метод використовує немарковані дані в тому сенсі, що вимагає лише маркування сполук за ідентичністю, а не детальної фармакологічної інформації, яка часто недоступна та дорога для отримання. Подібність у вивченому просторі вбудовування точно передбачала фармакологічну схожість, незважаючи на відсутність будь-яких таких міток під час навчання, і досягла суттєво покращених показників порівняно з попередніми показниками подібності, застосовуваними до вимірювань експресії генів. Наш метод міг ідентифікувати ліки із загальними терапевтичними та біологічними цілями, навіть коли сполуки були структурно несхожими, виявляючи тим самим раніше не повідомлявані функціональні взаємозв'язки між сполуками. Таким чином, наш підхід забезпечує вдосконалений механізм переназначення ліків на основі даних про експресію, який ми надали через Інтернет-інструмент DeepCodex (http://deepcodex.org).

Прогнозування мультирезистентного туберкульозу із легеневих зображень КТ на основі методів глибокого навчання
  • Сяохун В. Гао* і
  • Ю Цянь
Прогнозування інгібування цитохрому Р450 людини за допомогою нейтральної мережі багатозадачного глибокого автокодера
  • Сян Лі,
  • Юджун Сю,
  • Лухуа Лай, і
  • Цзяньфен Пей*
Порівняння та перевірка моделей машинного навчання для виявлення наркотиків мікобактерій туберкульозу
  • Томас Лейн,
  • Даніель П. Руссо,
  • Кімберлі М. Зорн,
  • Алекс М. Кларк,
  • Олександру Коротцову,
  • Валерій Ткаченко,
  • Роберт К. Рейнольдс,
  • Олександр Л. Перріман,
  • Джоель С. Фройндліх, і
  • Шон Екінс*
Порівняння кількох алгоритмів та показників машинного навчання для прогнозування зв’язку з рецепторами естрогену
  • Даніель П. Руссо,
  • Кімберлі М. Зорн,
  • Алекс М. Кларк,
  • Хао Чжу, і
  • Шон Екінс*
Геометричне глибоке навчання самостійно вивчає хімічні особливості, які перевершують ті, що розроблені експертами з доменів
  • Патрік Хоп*,
  • Брендон Олгуд*, і
  • Єссен Ю.*

Штучний інтелект прогресував безпрецедентними темпами, підтримуючи останні прориви в обробці природних мов, розпізнаванні мови та комп'ютерному зорі: домени, де дані мають евклідовий характер. Зовсім недавно було досягнуто значного прогресу в інженерних архітектурах глибокого навчання, які можуть приймати неевклідові дані, такі як графіки та різновиди: геометричне глибоке навчання. Цей прогрес представляє значний інтерес для спільноти дослідників наркотиків, оскільки молекули природно можуть бути представлені у вигляді графіків, де атоми є вузлами, а зв'язки - краями. У цій роботі ми досліджуємо ефективність геометричних методів глибокого навчання в контексті розкриття ліків, порівнюючи особливості машинного навчання та особливості, розроблені експертом доменної галузі, які є основними у фармацевтичній промисловості.

3D молекулярні уявлення на основі хвильового перетворення для згорткових нейронних мереж
  • Денис Кузьминих,
  • Даниїл Поликовський,
  • Артур Кадурін,
  • Олександр Жебрак,
  • Іван Басков,
  • Сергій Ніколенко,
  • Рим Шаяхметов, і
  • Олексій Жаворонков*

Свертові нейронні мережі (CNN) успішно використовуються для обробки тривимірних даних і є природним збігом даних з просторовою структурою, таких як тривимірні молекулярні структури. Однак пряме 3D-зображення молекули з атомами, локалізованими у вокселях, є надто розрідженим, що призводить до поганої роботи CNN. У цій роботі ми представляємо новий підхід, коли атоми поширюються, щоб заповнити інші сусідні вокселі перетворенням на основі хвильового перетворення. Експериментуючи над 4,5 мільйонами молекул з бази даних Цинк, ми показуємо, що запропоноване нами представлення призводить до кращої продуктивності автокодерів на основі CNN, ніж подання на основі вокселя або раніше використовуване розмиття атомів Гауса, а потім успішно застосовують нове представлення до задач класифікації такі як передбачення відбитків пальців MACCS.

Непереконливий нейронний комп’ютер для молекулярного дизайну Ново
  • Євген Путін*,
  • Аріп Асадулаєв,
  • Квентін Вангален,
  • Ян Іваненков,
  • Анастасія В. Аладінська,
  • Алекс Аліпер, і
  • Олексій Жаворонков*
Заплутаний умовний змагальний автокодер для de Novo Drug Discovery
  • Даниїл Поликовський*,
  • Олександр Жебрак,
  • Дмитро Ветров,
  • Ян Іваненков,
  • Володимир Аладінський,
  • Поліна Мамошина,
  • Марін Боздаганян,
  • Олександр Аліпер,
  • Олексій Жаворонков, і
  • Артур Кадурін

Сучасні обчислювальні підходи та методи машинного навчання прискорюють винахід нових препаратів. Генеративні моделі можуть виявити нові молекулярні структури протягом годин, тоді як звичайні трубопроводи для виявлення наркотиків вимагають місяців роботи. У цій статті ми пропонуємо нову генеративну архітектуру, заплутану умовним змагальним автоенкодером, яка генерує молекулярні структури на основі різних властивостей, таких як активність щодо певного білка, розчинність або простота синтезу. Ми застосовуємо запропоновану модель для генерування нового інгібітора кінази 3 Janus, причетного до ревматоїдного артриту, псоріазу та вітіліго. Виявлену молекулу тестували in vitro і показали хорошу активність та селективність.

Відкриття сполуки на основі прототипів за допомогою глибоких генеративних моделей
  • Шахар Харел* і
  • Кіра Радінський*

Розробка нового препарату - це тривалий і дорогий процес. Оскільки простір потенційних молекул дуже великий (Поліщук, П.Г.; Маджидов, Т.І.; Варнек, А.Оцінка розміру наркотикоподібного хімічного простору на основі даних GDB-17. J. Comput.-Aided Mol. Des. 2013, 27, 675–679 10.1007/s10822-013-9672-4), загальноприйнята техніка під час розкриття ліків полягає в тому, щоб починати з молекули, яка вже має деякі бажані властивості. Міждисциплінарна група вчених формує гіпотезу про необхідні зміни в прототипі. У цій роботі ми розробляємо глибокий досвід безпідконтрольного підходу, який автоматично генерує потенційні молекули ліків, отриманих за прототип препарату. Ми показуємо, що молекули, що генеруються системою, є дійсними молекулами і суттєво відрізняються від препарату-прототипу. Зі сполук, що утворюються системою, ми виявили 35 відомих препаратів, затверджених FDA. Як приклад, наша система виробляла ізоніазид, один з основних препаратів проти туберкульозу. Ми пропонуємо кілька ранжирувальних функцій для генерованих молекул і представляємо результати, що перші десять генерованих молекул на прототип препарату містяться в наших ретроспективних експериментах 23 відомих лікарських засобів, затверджених FDA.

Використання 111-шестивалентного лактозиду для оцінки запасів печінки у гризунів з індукованим тіоацетамідом фіброзом печінки
  • Мей-Хуей Ван*,
  • Чуан-І Чьєн,
  • Вішалка Ю,
  • Пінг-Єн Ван, і
  • Ву-Джи Лінь*
Доклінічне дослідження повністю людського антитіла до PD-L1 як терапевтичного агента для імунотерапії раку
  • Менсинь Сюй,
  • Юсян Хань,
  • Гуйчжун Лю,
  • Ян Сюй,
  • Дунбан Дуань,
  • Хуей Лю,
  • Фелікс Ду,
  • Пітер Ло, і
  • Чжибо Лю*
Вивчення поглинання пластиру Пайєра як стратегії цілеспрямованої доставки в легені полімерних наночастинок рифампіцину
  • Сагар С. Бахав,
  • Вікас Д. Діге, і
  • Падма В. Девараджан*
Взаємодія сапоніну есцин з ібупрофеном у модельних мембранах DMPC
  • Рамсія Срейдж,
  • Сільвен Превост,
  • Каріна Даргель,
  • Раджеєв Даттані,
  • Івонн Гертл,
  • Олівер Вреде і
  • Томас Хелвег*
Кількісна оцінка впливу мукоциліарної функції носа на абсорбцію норфлоксацину in vivo після інтраназального введення щурам
  • Дайсуке Іноуе,
  • Шунсуке Кімура,
  • Акіко Кіріяма,
  • Хідемаса Кацумі,
  • Акіра Ямамото,
  • Кен-ічі Огавара,
  • Казутака Хігакі,
  • Акіко Танака,
  • Рейко Ютані,
  • Тосіясу Сакане і
  • Томоюкі Фурубаясі*