طراحی یک مدل بیوانفورماتیکی برای پیش بینی فعالیت ترکیبات دارویی و کاربرد آن بر مهار تکثیر HIV و ژن BACE-۱
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 322
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GEB-9-2_009
تاریخ نمایه سازی: 4 مهر 1400
چکیده مقاله:
در این مقاله روش جدیدی برای مسئله پیش بینی خواص ترکیب های مولکولی در قدم بهینهسازی پیشرو در طراحی دارو ارائه می گردد. تعداد دادههای برچسب شده در دسترس در قدم بهینهسازی پیشرو اندک است. در سال های اخیر این چالش مورد توجه قرار گرفته است و از تکنیک های یادگیری انتقالی و یادگیری عمیق برای حل آن استفاده شده است. بدین منظور از مجموعه داده های مشابه به عنوان داده های کمکی برای آموزش یک مدل قابل اعتماد بهره گرفته شده است. در این روش ، استخراج ویژگی از ترکیب های مولکولی نقش اساسی در انتقال دانش از مجموعه داده های مشابه (کمکی) به مجموعه داده ی اصلی ایفا می کند. در این مقاله تاثیر استفاده از شبکه های پیچشی گرافی که علاوه بر در نظر گرفتن ویژگی های اتم ها، قادر به در نظر گرفتن ویژگی های پیوندهای مولکولی می باشد، سنجیده می گردد. برای ارزیابی روش، از دو مجموعه داده استاندارد BACE و HIV بهره گرفته شده است. نتایج بیانگر این امر است که روش پیشنهادی قادر به استخراج دانش موثرتری از مجموعه داده های مشابه برای انتقال به مجموعه داده ی هدف بوده است.
کلیدواژه ها:
Edge weighted Graph Convolutional Network ، Molecular bonds ، Deep learning ، Transfer learning. ، ترکیب دارویی ، شبکه پیچیشی گرافی ، پیوندهای مولکولی ، یادگیر عمیق ، یادگیری انتقالی.
نویسندگان
کریم عباسی
Laboratory of system Biology and Bioinformatics (LBB), Institute of Biochemistry and Biophysics, University of Tehran
علی مسعودی نژاد
Laboratory of system Biology and Bioinformatics (LBB), Institute of Biochemistry and Biophysics, University of Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :