Imputation of Assay Bioactivity Data Using Deep Learning
Imputation of Assay Bioactivity Data Using Deep Learning
复制标题
使用深度学习对测定生物活性数据进行插补
DOI：
--
复制
发表时间：
2019
影响因子：
5.6
通讯作者：
G. Conduit
中科院分区：
文献类型：
--
作者：
T. Whitehead;Benedict W J Irwin;P. Hunt;M. Segall;G. Conduit
我们描述了一种新的深度学习神经网络方法及其在插补检测pIC50值中的应用。与传统的机器学习方法不同，这种方法是在稀疏的生物活性数据作为输入进行训练的，这是公共和商业数据库中常见的数据，使其能够直接从不同测定中测量的活性之间的相关性中学习。在两个公共领域数据集的案例研究中，我们表明，神经网络方法优于传统的定量构效关系（QSAR）模型和其他领先的方法。此外，通过只关注最有信心的预测，使用我们的方法将准确度提高到R2 > 0.9，而报告所有预测时的R2 = 0.44。
We describe a novel deep learning neural network method and its application to impute assay pIC50 values. Unlike conventional machine learning approaches, this method is trained on sparse bioactivity data as input, typical of that found in public and commercial databases, enabling it to learn directly from correlations between activities measured in different assays. In two case studies on public domain data sets we show that the neural network method outperforms traditional quantitative structure-activity relationship (QSAR) models and other leading approaches. Furthermore, by focusing on only the most confident predictions the accuracy is increased to R2 > 0.9 using our method, as compared to R2 = 0.44 when reporting all predictions.
影响因子：
7.4
作者：
Lo YC;Rensi SE;Torng W;Altman RB
通讯作者：
Altman RB