최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기인지과학 = Korean journal of cognitive science, v.28 no.4, 2017년, pp.299 - 314
이문환 (서울대학교 의생명지식공학연구실) , 김응희 (서울대학교 의생명지식공학연구실) , 김홍기 (서울대학교 의생명지식공학연구실)
Predicting compound-protein interactions in-silico is significant for the drug discovery. In this paper, we propose an scalable machine learning model to predict compound-protein interaction. The key idea of this scalable machine learning model is the architecture of pairwise neural network model an...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
제약 산업에 있어 기계 학습 방법의 장점은? | 기계 학습 방법은 제약 회사에 의해 축적된 풍부한 약물 측정 데이터를 이용하여 보다 효과적인 약물 개발을 제공 할 수 있다[1][2]. 2015년 데이터 과학 대회 플랫폼인 캐글 (Kaggle) 에서 주최한 머크 분자 활동량 대회(Molecular Activity Challenge)에서 신약탐색과제가 진행되었다[3]. | |
신약 탐색은 어떤 단계를 거치는가? | 신약 탐색은 다음과 같은 3가지 단계의 파이프 라인을 거친다. 첫 번째 단계는 약물이 작용할 수 있는 잠재적인 생체 분자 표적을 확인하는 것이다. 예를 들어, 단백질은 화합물에 의해 유익한 치료 효과를 얻게끔 활성이 변형 된다. 두 번째 단계는 수십만 개의 약물후보 화학물을 가려내는 것이다. 일반적으로 생물학적 고효율 실험기법 (high-throughput analysis) 을 통하여 목표 단백질과의 상호 작용을 측정한다. 세 번째 단계는 표적과 상호 작용하는 주성분 화합물을 선택한다. 약물후보 화합물의 효능을 최적화하고 부작용을 줄이기 위해서 화학 구조와 골격(scaffold)을 수정한다. 그림 1은 신약 탐색 파이프 라인을 간략하게 표현한 것이다. | |
고효율 실험기법이 많은 표적에 대해 시행될 수 없는 이유는? | 위의 3가지 단계 중에서 2 번째 단계인 고효율 실험기법은 약물 선발에서의 시간과 비용이 많이 소요되기 때문에 많은 표적에 대해 시행할 수 없다. 이때, 약물 후보 화합물 선별 단계를 in-silico 기반의 가상 선별(virtual screening)로 대체할 수 있다 . |
M. Hay, D. W. Thomas, J. L. Craighead, C. Economides, and J. Rosenthal. (2014). "Clinicaldevelopment success rates for investigational drugs," Nature Biotechnology, 32(1), pp. 40-51.
Michael J Keiser, Vincent Setola, John J Irwin, Christian Laggner, Atheir I Abbas, Sandra J Hufeisen, Niels H Jensen, Michael B Kuijer, Roberto C Matos, Thuy B Tran, et al. Predicting new molecular targets for known drugs. Nature, 462(7270):175-181, 2009.
Eugen Lounkine, Michael J Keiser, Steven Whitebread, Dmitri Mikhailov, Jacques Hamon, Jeremy L Jenkins, Paul Lavan, Eckhard Weber, Allison K Doak, Serge Cote, et al. (2012). "Large-scale prediction and testing of drug activity on side-effect targets." Nature, 486(7403): 361-367.
Kaggle Merck Molecular Activity Challenge, https://www.kaggle.com/c/MerckActivity
No Free Hunch, Deep Learning How I Did It: Merck 1st place interview, http://blog.kaggle.com/2012/11/01/deep-learning-how-i-did-it-merck-1st-place-interview/
No Free Hunch, Merck Competition Results -Deep NN and GPUs come out to play, http://blog.kaggle.com/2012/10/31/merck-competition-results-deep-nn-and-gpus-come-out-to-play/
Ma J, Sheridan RP, Liaw A, Dahl GE, Svetnik V. (2015). "Deep Neural Nets as a Method for Quantitative Structure-Activity Relationships." Journal of Chemical Information and Modeling 55, 263-274.
J. L. Jenkins, A. Bender, and J. W. Davies. (2007). "In silico target fishing: Predicting biological targets from chemical structure," Drug Discovery Today: Technologies, vol. 3, no. 4, pp. 413-421.
D. B. Kitchen, H. Decornez, J. R. Furr, and J. Bajorath. (2004). "Docking and scoring in virtual screening for drug discovery: methods and applications," Nature Reviews Drug discovery, 3(11), pp. 935-949.
F. Nigsch, A. Bender, J. L. Jenkins, and J. B. O. Mitchell. (2008). "Ligand-target prediction using winnow and naive bayesian algorithms and the implications of overall performance statistics," Journal of Chemical Information and Modeling, 48(12), pp. 2313-2325.
H. Y. Mussa, J. B. O. Mitchell, and R. C. Glen. (2013). "Full "Laplacianised" posterior naive Bayesian algorithm," Journal of Cheminformatics, vol. 5, pp. 37+, Aug.
R. Lowe, H. Y. Mussa, F. Nigsch, R. C. Glen, and J. B. Mitchell (2012). "Predicting the mechanism of phospholipidosis," Journal of Cheminformatics, 4(1), p. 2.
R. Lowe, H. Y. Mussa, J. B. O. Mitchell, and R. C. Glen. (2011). "Classifying molecules using a sparse probabilistic kernel binary classifier," Journal of Chemical Information and Modeling, 51(7), pp. 1539-1544.
Cheng T, Li Q, Zhou Z, Wang Y, Bryant SH. (2012). "Structure-Based Virtual Screening for Drug Discovery: a Problem-Centric Review." The AAPS Journal 14, 133-141.
Lengauer T, Rarey M. (Jun 1996). “Computational methods for biomolecular docking”. Current Opinion in Structural Biology, 6(3), 402-6.
Pereira JC, Caffarena ER, dos Santos CN. Boosting. (2016). "Docking-Based Virtual Screening with Deep Learning." Journal of Chemical Information and Modeling 56, 2495-2506.
Gomes, J., Ramsundar, B., Feinberg, E. N., & Pande, V. S. (2017). "Atomic Convolutional Networks for Predicting Protein-Ligand Binding Affinity." arXiv preprint arXiv:1703.10603.
Wang R, Fang X, Lu Y, Yang C-Y, Wang S. (2005). "The PDBbind Database: Methodologies and Updates." Journal of Medicinal Chemistry 48, 4111-4119.
Wallach, Izhar, Michael Dzamba, and Abraham Heifets. (2015). "AtomNet: a deep convolutional neural network for bioactivity prediction in structure-based drug discovery." arXiv preprint arXiv:1510.02855
D. Rogers and M. Hahn. (May 2010). "Extended-connectivity fingerprints.," Journal of Chemical Information and Modeling, 50, pp. 742-754.
ChemAxon documents, https://www.chemaxon.com/jchem/doc/user/ECFP_files/ecfp_generation.png
Morgan, H. L. (1965). "The Generation of a Unique Machine Description for Chemical Structures -A Technique Developed at Chemical Abstracts Service." J. Chem. Doc. 5: 107-112.
Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg S Corrado, and Jeff Dean. (2013). "Distributed representations of words and phrases and their compositionality." In Advances in neural information processing systems, pages 3111-3119.
Vinod Nair and Geoffrey E Hinton. (2010). "Rectified linear units improve restricted boltzmann machines." In Proceedings of the 27th International Conference on Machine Learning (ICML-10), pages 807-814.
Yanli Wang, Evan Bolton, Svetlana Dracheva, Karen Karapetyan, Benjamin A. Shoemaker, Tugba O. Suzek, Jiyao Wang, Jewen Xiao, Jian Zhang, Stephen H. Bryant. (January 2010). "An overview of the PubChem BioAssay resource", Nucleic Acids Research, Volume 38, Issue suppl_1, 1 Pages D255-D266.
Wu, Z., Ramsundar, B., Feinberg, E. N., Gomes, J., Geniesse, C., Pappu, A. S., ... & Pande, V. (2017). "MoleculeNet: A Benchmark for Molecular Machine Learning." arXiv preprint arXiv:1703.00564.
Anderson E, Veith GD, Weininger D. (1987). "SMILES: A line notation and computerized interpreter for chemical structures." Duluth, MN: U.S. EPA, Environmental Research Laboratory-Duluth. Report No. EPA/600/M-87/021.
RDKit, http://www.rdkit.org/
UniProt Consortium. (2014). "Uniprot: a hub for protein information." Nucleic acids research, page gku989,
Gensim, https://radimrehurek.com/gensim/models/word2vec.html
Keras, http://keras.io
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.