Development of automatic descriptor extraction algorithms for ligand prediction.

开发用于配体预测的自动描述符提取算法。

• 批准号: 22700312
• 负责人: KATO Tsuyoshi
• 金额: $ 1.58万
• 依托单位: Gunma University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Young Scientists (B)
• 财政年份: 2010
• 资助国家: 日本
• 起止时间: 2010 至 2011
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22700312/
• 关键词: 非線形合成記述子; サポートベクトルマシン; 転移学習; 重みつき経験分布; リガンド予測; 一般化固有値問題; P450アイソザイム; 嗅覚受容体; リガンド; 機械学習; 記述子; 化合物; アルゴリズム

This study tackled the problem for ligand prediction. The problem is to predict whether specified chemical compounds are interacted with specified target proteins. To achieve accurate prediction of ligands interacting with target proteins, effective descriptors that describe the properties of chemical compounds are crucial. Global models cannot deal with descriptors specific to each local prediction problem. Local models suffer from small sample size problems. This study introduced a concept of transfer learning to develop automatic descriptor extraction algorithms that solve the above two problems simultaneously.

这项研究解决了配体预测的问题。问题是预测特定的化合物是否与特定的目标蛋白质相互作用。为了准确预测与目标蛋白质相互作用的配体，有效描述化合物性质的描述符是至关重要的。全局模型不能处理特定于每个局部预测问题的描述符。本地模型存在样本量小的问题。本研究引入迁移学习的概念，开发了同时解决上述两个问题的自动描述符提取算法。

项目成果

Transfer learning for cytochrome P450 isozyme selectivity prediction

细胞色素 P450 同工酶选择性预测的迁移学习

• 发表时间: 2011
• 期刊: Journal of Bioinformatics and Computational Biology
• 影响因子: 1
• 作者: Reiji Teramoto;Tsuyoshi Kato
• 通讯作者: Tsuyoshi Kato

現在,非線形合成記述子の成果に関して論文投稿中である.掲載が決まり次第,公開する

我们目前正在提交一篇关于非线性合成描述符结果的论文。一旦决定发表，我们将立即发表。