Persistent spectral-based machine learning (PerSpect ML) for protein-ligand binding affinity prediction.
Persistent spectral-based machine learning (PerSpect ML) for protein-ligand binding affinity prediction.
复制标题
基于持续光谱的机器学习（spect ML）用于蛋白质配体结合亲和力预测。
DOI：
10.1126/sciadv.abc5329
复制
发表时间：
2021-05
期刊：
影响因子：
13.6
通讯作者：
Xia K
中科院分区：
文献类型：
--
作者：
Meng Z;Xia K
基于PerSpect的机器学习模型可以显着提高蛋白质-配体结合亲和力的预测准确性。分子描述符不仅对定量构效关系（QSAR）模型至关重要，而且对基于机器学习的材料、化学和生物数据分析也至关重要。在这里，我们提出了用于药物设计的持久的基于光谱的机器学习（PerSpect ML）模型。与以往的光谱模型不同，本文引入了一个滤波过程，生成一系列不同尺度的光谱模型。PerSpect属性被定义为过滤值上的光谱变量的函数。从PerSpect属性获得的分子描述符与机器学习模型相结合，用于蛋白质-配体结合亲和力预测。就我们所知，我们对三个最常用的数据库（包括PDBbind-2007、PDBbind-2013和PDBbind-2016）的结果优于所有现有模型。提出的PerSpect理论提供了一个强大的特征工程框架。PerSpect ML模型在显著提高分子数据分析中学习模型的性能方面表现出巨大的潜力。
PerSpect-based machine learning models can significantly improve prediction accuracy for protein-ligand binding affinity. Molecular descriptors are essential to not only quantitative structure-activity relationship (QSAR) models but also machine learning–based material, chemical, and biological data analysis. Here, we propose persistent spectral–based machine learning (PerSpect ML) models for drug design. Different from all previous spectral models, a filtration process is introduced to generate a sequence of spectral models at various different scales. PerSpect attributes are defined as the function of spectral variables over the filtration value. Molecular descriptors obtained from PerSpect attributes are combined with machine learning models for protein-ligand binding affinity prediction. Our results, for the three most commonly used databases including PDBbind-2007, PDBbind-2013, and PDBbind-2016, are better than all existing models, as far as we know. The proposed PerSpect theory provides a powerful feature engineering framework. PerSpect ML models demonstrate great potential to significantly improve the performance of learning models in molecular data analysis.
登录
查看更多内容
DOI：
10.1007/978-1-4020-9783-6_14
发表时间：
2009-06-25
期刊：
Recent Advances in QSAR Studies
影响因子：
--
作者：
Puzyn T;Gajewicz A;Leszczynska D;Leszczynski J
通讯作者：
Leszczynski J
影响因子：
3.5
作者：
Nguyen DD;Cang Z;Wu K;Wang M;Cao Y;Wei GW
通讯作者：
Wei GW
影响因子：
8.6
作者：
Behler, Joerg;Parrinello, Michele
通讯作者：
Parrinello, Michele
影响因子：
5.6
作者：
Liu, Jie;Wang, Renxiao
通讯作者：
Wang, Renxiao
影响因子：
1
作者：
Mukherjee S;Steenbergen J
通讯作者：
Steenbergen J