Structure-based Computer-Aided Drug Design with a Deep Neural Network Approach

点击翻译按钮获取中文摘要

神経ペプチド（NP）は、免疫系で最も用途の広い神経伝達物質であり、さまざまな中枢性不安ホルモンを調節する。 NPは、神経系機能障害の新薬や標的を設計するための契機を与える。与えられたペプチド配列からのNPの正確な予測は、基礎研究と医薬品開発に不可欠な免疫情報学において重要である。バイオインフォマティクス手法を用いて、NP同定の予測性能を改善することに挑戦した。ここでは、特徴表現学習アプローチを使用して、NeuroPred-FRLと呼ばれる機械学習ベースのメタ予測子を開発した。まず、8つの異なるエンコーディング、6つの異なる分類子、および2段階の特徴選択アプローチを採用して、48の最適なベースラインモデルを生成した。 48のベースラインモデルからのNPの予測確率スコアを組み合わせて、入力特徴ベクトルと見なした。次に、2段階の特徴選択アプローチを適用して48次元の確率特徴ベクトルを最適化し、最適なものをランダムフォレスト分類器（NeuroPred-FRL）に入力した。交差検定と独立検定の両方で、NeuroPred-FRLが既存の予測子よりも一貫して優れていることが示した。さらに、堅牢なSHapley Additive exPlanationアルゴリズムを活用して、いくつかのモデルメカニズムを解明した。