期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
利用深度迁移学习靶向GPCRs的配体活性预测
1
作者
汤丽华
卢宁
+2 位作者
兰闯闯
陈荣华
吴建盛
《计算机工程与应用》
CSCD
北大核心
2023年第13期120-128,共9页
G蛋白偶联受体(GPCRs)是最重要的药物靶标之一,约占市场上药物靶标的34%。药物发现过程中,配体生物活性的准确建模和解释对于筛选苗头化合物至关重要。研究表明,同源的G蛋白偶联受体能提升配体分子生物活性的预测性能和可解释性。提出...
G蛋白偶联受体(GPCRs)是最重要的药物靶标之一,约占市场上药物靶标的34%。药物发现过程中,配体生物活性的准确建模和解释对于筛选苗头化合物至关重要。研究表明,同源的G蛋白偶联受体能提升配体分子生物活性的预测性能和可解释性。提出了一种新的方法GLEM,用多任务下的深度迁移学习来预测配体的生物活性,并通过组稀疏来识别相关的关键子结构。GLEM方法在9组30个具有代表性的人类GPCR数据集上进行了实验,这些GPCRs涵盖了大部分人类GPCRs的子家族,每个GPCR数据集都包含60~3000个配体。实验结果表明,GLEM方法在绝大多数数据集中都获得了最好的性能。与单任务学习方法相比,GLEM方法在r2上平均提升了31.72%;与深度学习方法相比,GLEM方法在r2上平均提升了22.45%。此外,还评估了不同数量的训练样本对模型性能的影响,实验发现GLEM方法在小样本情况下表现最好。
展开更多
关键词
G蛋白偶联受体(GPCRs)
扩展连通性指纹
配体活性
多任务学习
深度迁移学习
在线阅读
下载PDF
职称材料
基于耦合辅助信息的矩阵分解和靶向GPCRs的配体活性预测方法
2
作者
吴建盛
兰闯闯
+2 位作者
秦洁
朱燕翔
胡海峰
《陕西师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2021年第1期1-13,共13页
G蛋白偶联受体(GPCRs)是人类最重要的药物靶点,目前市场上大约34%的现代药物都以GPCRs作为靶点。在药物发现过程中,配体生物活性的准确预测对于筛选苗头化合物至关重要。对单个GPCR任务来说,通过实验得到生物活性的配体数量十分有限,若...
G蛋白偶联受体(GPCRs)是人类最重要的药物靶点,目前市场上大约34%的现代药物都以GPCRs作为靶点。在药物发现过程中,配体生物活性的准确预测对于筛选苗头化合物至关重要。对单个GPCR任务来说,通过实验得到生物活性的配体数量十分有限,若将多个GPCRs任务放在一起通过矩阵分解进行学习,可以利用GPCRs任务间的关联信息,提升配体生物活性的学习性能。基于此,本文提出了一种基于矩阵分解靶向GPCRs的配体生物活性预测方法MFSI,它耦合了配体的分子扩展连通性指纹辅助信息,克服了已知GPCR-配体生物活性关系矩阵中天然存在大量缺失值的问题。在72个具有代表性的GPCRs任务上的测试发现,它们涵盖了GPCRs的24个子家族。结果表明,本文方法全面优于经典的单任务学习和矩阵分解方法;在大多数数据集上(66/72),本文方法在性能上优于其他基于深度多任务学习的预测配体生物活性方法,与DeepNeuralNet-QSAR方法相比,在所有的数据集上本文方法在r 2和RMSE上平均分别提升了18%和12%。
展开更多
关键词
G蛋白偶联受体
配体生物活性
矩阵分解
扩展连通性指纹
在线阅读
下载PDF
职称材料
题名
利用深度迁移学习靶向GPCRs的配体活性预测
1
作者
汤丽华
卢宁
兰闯闯
陈荣华
吴建盛
机构
南京邮电大学地理与生物信息学院
南京邮电大学通信与信息工程学院
常州市第一人民医院神经外科
出处
《计算机工程与应用》
CSCD
北大核心
2023年第13期120-128,共9页
基金
国家自然科学基金(61872198,61971216,81771478,81973512)
江苏省科技厅基础研究计划(自然科学基金)面上项目(BK20201378)。
文摘
G蛋白偶联受体(GPCRs)是最重要的药物靶标之一,约占市场上药物靶标的34%。药物发现过程中,配体生物活性的准确建模和解释对于筛选苗头化合物至关重要。研究表明,同源的G蛋白偶联受体能提升配体分子生物活性的预测性能和可解释性。提出了一种新的方法GLEM,用多任务下的深度迁移学习来预测配体的生物活性,并通过组稀疏来识别相关的关键子结构。GLEM方法在9组30个具有代表性的人类GPCR数据集上进行了实验,这些GPCRs涵盖了大部分人类GPCRs的子家族,每个GPCR数据集都包含60~3000个配体。实验结果表明,GLEM方法在绝大多数数据集中都获得了最好的性能。与单任务学习方法相比,GLEM方法在r2上平均提升了31.72%;与深度学习方法相比,GLEM方法在r2上平均提升了22.45%。此外,还评估了不同数量的训练样本对模型性能的影响,实验发现GLEM方法在小样本情况下表现最好。
关键词
G蛋白偶联受体(GPCRs)
扩展连通性指纹
配体活性
多任务学习
深度迁移学习
Keywords
G protein-coupled receptors(GPCRs)
extended-connectivity fingerprints
bioactivities of ligands
multitask learning
deep transfer learning
分类号
TP315.69 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
基于耦合辅助信息的矩阵分解和靶向GPCRs的配体活性预测方法
2
作者
吴建盛
兰闯闯
秦洁
朱燕翔
胡海峰
机构
南京邮电大学地理与生物信息学院
南京邮电大学通信与信息工程学院
南京趣集客信息技术有限公司VeriMake实验室
出处
《陕西师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2021年第1期1-13,共13页
基金
国家自然科学基金(61872198,61971216,81771478,81973512)
江苏省高等学校自然科学研究项目(18KJB416005)
南京邮电大学科研基金(NY218092)。
文摘
G蛋白偶联受体(GPCRs)是人类最重要的药物靶点,目前市场上大约34%的现代药物都以GPCRs作为靶点。在药物发现过程中,配体生物活性的准确预测对于筛选苗头化合物至关重要。对单个GPCR任务来说,通过实验得到生物活性的配体数量十分有限,若将多个GPCRs任务放在一起通过矩阵分解进行学习,可以利用GPCRs任务间的关联信息,提升配体生物活性的学习性能。基于此,本文提出了一种基于矩阵分解靶向GPCRs的配体生物活性预测方法MFSI,它耦合了配体的分子扩展连通性指纹辅助信息,克服了已知GPCR-配体生物活性关系矩阵中天然存在大量缺失值的问题。在72个具有代表性的GPCRs任务上的测试发现,它们涵盖了GPCRs的24个子家族。结果表明,本文方法全面优于经典的单任务学习和矩阵分解方法;在大多数数据集上(66/72),本文方法在性能上优于其他基于深度多任务学习的预测配体生物活性方法,与DeepNeuralNet-QSAR方法相比,在所有的数据集上本文方法在r 2和RMSE上平均分别提升了18%和12%。
关键词
G蛋白偶联受体
配体生物活性
矩阵分解
扩展连通性指纹
Keywords
G protein-coupled receptors
bioactivities of ligands
matrix factorization
extended connectivity fingerprints
分类号
TP315.69 [自动化与计算机技术—计算机软件与理论]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
利用深度迁移学习靶向GPCRs的配体活性预测
汤丽华
卢宁
兰闯闯
陈荣华
吴建盛
《计算机工程与应用》
CSCD
北大核心
2023
0
在线阅读
下载PDF
职称材料
2
基于耦合辅助信息的矩阵分解和靶向GPCRs的配体活性预测方法
吴建盛
兰闯闯
秦洁
朱燕翔
胡海峰
《陕西师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2021
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
