Predicción de grupos de topología de red de proteínas a partir de la estructura química mediante el aprendizaje profundo | Revista de quimioinformática

  • Kubinyi H (2002) Similitud química y actividades biológicas. J Brasil Chem Soc 13. https://doi.org/10.1590/S0103-50532002000600002

  • Griffen E, Leach AG, Robb GR, Warner DJ (2011) Pares moleculares combinados como herramienta de química médica. J Med Chem 54(22):7739–50. https://doi.org/10.1021/jm200452d

  • Maggiora GM (2006) Sobre valores atípicos y acantilados de actividad: por qué qsar a menudo decepciona. J Chem Inf. Modelo 46(4):1535. https://doi.org/10.1021/ci060117s

    CAS
    Artículo
    PubMed

    Google Académico

  • Guha R, Van Drie JH (2008) Índice de paisaje de estructura-actividad: identificación y cuantificación de acantilados de actividad. J Chem Inf Modelo 48(3):646–58. https://doi.org/10.1021/ci7004093

    CAS
    Artículo
    PubMed

    Google Académico

  • Bajusz D, Rácz A, Héberger K (2015) ¿Por qué el índice de tanimoto es una opción adecuada para los cálculos de similitud basados ​​en huellas dactilares? J Chemin formato 7. https://doi.org/10.1186/s13321-015-0069-3

  • Yao ZJ, Dong J, Che YJ, Zhu MF, Wen M, Wang NN, Wang S, Lu AP, Cao DS (2016) Targetnet: un servicio web para predecir el perfil de la posible interacción entre el fármaco y el objetivo a través de modelos sar multiobjetivo. J Comput Aided Mol Des 30(5):413–424

    CAS
    Artículo

    Google Académico

  • Lampa S, Alvarsson J, Arvidsson Mc Shane S, Berg A, Ahlberg E, Spjuth O (2018) Predicción de perfiles de unión fuera del objetivo con confianza mediante predicción conforme. Frente Pharmacol 9:1256

    CAS
    Artículo

    Google Académico

  • Hu LL, Chen C, Huang T, Cai YD, Chou KC (2011) Predicción de las funciones biológicas de los compuestos en función de las interacciones químico-químicas. PLoS ONE 6:29491. https://doi.org/10.1371/journal.pone.0029491

    CAS
    Artículo

    Google Académico

  • Lopez-Ibañez J, Pazos F, Chagoyen M (2021) Predicción de vías biológicas de compuestos químicos con un enfoque inspirado en perfiles. BMC Bioinformato 22. https://doi.org/10.1186/s12859-021-04252-y

  • Cai YD, Qian Z, Lu L, Feng K, Meng X, Niu B, Zhao GD, Lu WC (2008) Predicción de la función biológica de los compuestos (vías metabólicas) basada en la composición del grupo funcional. Mol Divers 12: 131–137

    CAS
    Artículo

    Google Académico

  • Gao YF, Chen L, Cai YD, Feng KY, Huang T, Jiang Y (2012) Predicción de vías metabólicas de moléculas pequeñas y enzimas en función de la información de interacción de productos químicos y proteínas. PLoS ONE 7(9):1–9. https://doi.org/10.1371/journal.pone.0045944

    CAS
    Artículo

    Google Académico

  • Stepanchikova AV, Lagunin A, Filimonov DA, Poroikov V (2003) Predicción de espectros de actividad biológica para sustancias: evaluación de los diversos conjuntos de estructuras similares a las drogas. Curr Med Chem 10:225–33. https://doi.org/10.2174/0929867033368510

    CAS
    Artículo
    PubMed

    Google Académico

  • Petrone PM, Simms B, Nigsch F, Lounkine E, Kutchukian P, Cornett A, Deng Z, Davies JW, Jenkins JL, Glick M (2012) Replanteamiento de la similitud molecular: comparación de compuestos sobre la base de la actividad biológica. ACS Chem Biol 7 (8): 1399–1409

    CAS
    Artículo

    Google Académico

  • Muthas D, Boyer S (2013) Explotación de la similitud farmacológica para identificar problemas de seguridad: escuche lo que le dicen los datos. Inf Mol 32(1):37–45

    CAS
    Artículo

    Google Académico

  • Edberg A, Soeria-Atmadja D, Laurila J, Johansson F, Gustafsson M, Hammerling U (2012) Evaluación de la bioactividad relativa de sustancias químicas mediante análisis de topología de red molecular cuantitativa. J Chem Inf. Modelo 52:1238–49. https://doi.org/10.1021/ci200429f

    CAS
    Artículo
    PubMed

    Google Académico

  • Schaal W, Hammerling U, Gustafsson MG, Spjuth O (2013) QuantMap automatizado para análisis de topología de red molecular cuantitativo rápido. Bioinformática 29(18):2369–2370. https://doi.org/10.1093/bioinformatics/btt390

    CAS
    Artículo
    PubMed
    Centro de PubMed

    Google Académico

  • Goh GB, Hodas NO, Vishnu A (2017) Aprendizaje profundo para química computacional. J Comput Chem 38 (16): 1291–1307. https://doi.org/10.1002/jcc.24764

    CAS
    Artículo
    PubMed

    Google Académico

  • Ma J, Sheridan R, Liaw A, Dahl G, Svetnik V (2015) Redes neuronales profundas como método para relaciones cuantitativas estructura-actividad. J Chem Inf Modelo 55: 263–74. https://doi.org/10.1021/ci500747n

    CAS
    Artículo
    PubMed

    Google Académico

  • Dahl GE, Jaitly N, Salakhutdinov R (2014) Redes neuronales multitarea para predicciones qsar. ArXiv abs/1406.1231

  • Weininger D (1988) Sonrisas, un lenguaje químico y un sistema de información. 1. Introducción a la metodología y reglas de codificación. J Chem Informat Comput Sci 28(1):31–36. https://doi.org/10.1021/ci00057a005

    CAS
    Artículo

    Google Académico

  • Koutsoukas A, Monaghan K, Li X, Huan J (2017) Aprendizaje profundo: investigación de hiperparámetros de redes neuronales profundas y comparación del rendimiento con métodos superficiales para modelar datos de bioactividad. J Chemin formato 9. https://doi.org/10.1186/s13321-017-0226-y

  • Kuhn M, Szklarczyk D, Franceschini A, von Mering C, Jensen L, Bork P (2011) Puntada 3: acercamiento a las interacciones proteína-química. Ácidos nucleicos Res 40:876–80. https://doi.org/10.1093/nar/gkr1011

    CAS
    Artículo

    Google Académico

  • Franceschini A, Szklarczyk D, Frankild S, Kuhn M, Simonovic M, Roth A, Lin J, Minguez P, Bork P, von Mering C, Jensen LJ (2012) STRING v9.1: redes de interacción proteína-proteína, con mayor cobertura e integración. Ácidos nucleicos Res 41 (D1): 808–815. https://doi.org/10.1093/nar/gks1094

    CAS
    Artículo

    Google Académico

  • Rokach L, Maimon O (2005) Métodos de agrupación, págs. 321–352

  • Landrum G (2016) Rdkit: software de quimioinformática de código abierto

  • Kim S, Thiessen PA, Cheng T, Yu B, Bolton EE (2018) Una actualización de PUG-REST: interfaz RESTful para el acceso programático a PubChem. Ácidos nucleicos Res 46(W1):563–570. https://doi.org/10.1093/nar/gky294

    CAS
    Artículo

    Google Académico

  • Kim S, Chen J, Cheng T, Gindulyte A, He J, He S, Li Q, Shoemaker BA, Thiessen PA, Yu B, Zaslavsky L, Zhang J, Boltom EE (2020) PubChem en 2021: contenido de datos nuevo y mejorado interfaces web. Ácidos nucleicos Res 49 (D1): 1388–1395. https://doi.org/10.1093/nar/gkaa971

    CAS
    Artículo

    Google Académico

  • Morgan HL (1965) La generación de una descripción de máquina única para estructuras químicas: una técnica desarrollada en el servicio de resúmenes químicos. Documento J Chem 5(2):107–113. https://doi.org/10.1021/c160017a018

    CAS
    Artículo

    Google Académico

  • Myint KZ, Wang L, Tong Q (2012) Xie XQ Qsar de redes neuronales artificiales basadas en huellas dactilares moleculares para predicciones de actividad biológica de ligandos. Mol Pharmaceut 9(10):2912–2923. https://doi.org/10.1021/mp300237z

    CAS
    Artículo

    Google Académico

  • Rogers D, Hahn M (2010) Huellas dactilares de conectividad extendida. J Chem Inf. Modelo 50:742–54. https://doi.org/10.1021/ci100050t

    CAS
    Artículo
    PubMed

    Google Académico

  • Hirohara M, Saito Y, Koda Y, Sato K, Sakakibara Y (2018) Red neuronal convolucional basada en la representación de sonrisas de compuestos para detectar motivos químicos. BMC Bioinformato 19. https://doi.org/10.1186/s12859-018-2523-5

  • Li X, Fourches D (2021) Codificación de pares de sonrisas: un algoritmo de tokenización de subestructura basado en datos para el aprendizaje profundo. J Chem Informar Modelo 61 (4): 1560–1569. https://doi.org/10.1021/acs.jcim.0c01127

    CAS
    Artículo

    Google Académico

  • Bjerrum EJ (2017) Enumeración de SONRISAS como aumento de datos para el modelado de moléculas en redes neuronales. CoRR. abs/1703.07076

  • Hussain Z, Gimenez F, Yi D, Rubin D (2018) Técnicas de aumento de datos diferenciales para tareas de clasificación de imágenes médicas. En: Actas del Simposio Anual AMIA. Simposio AMIA 2017, 979–984

  • Kingma DP, Ba J (2017) Adam: un método para la optimización estocástica. 1412.6980

  • Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R (2014) Abandono: una forma sencilla de evitar el sobreajuste de las redes neuronales. J Mach Learn Res. 15(56):1929–1958

    Google Académico

  • Neurocomputación bioinspirada (2021) Stud Comput Intell. https://doi.org/10.1007/978-981-15-5495-7

  • Alzubaidi L, Zhang J, Humaidi AJ, Al-Dujaili A, Duan Y, Al-Shamma O, Santamaría J, Fadhel MA, Al-Amidie M, Farhan L (2021) Revisión del aprendizaje profundo: conceptos, arquitecturas cnn, desafíos, aplicaciones, direcciones futuras. J Big Data 8(1):53. https://doi.org/10.1186/s40537-021-00444-8

    Artículo
    PubMed
    Centro de PubMed

    Google Académico

  • Yu Y, Si X, Hu C, Zhang J (2019) Una revisión de las redes neuronales recurrentes: células LSTM y arquitecturas de red. Computación neuronal 31 (7): 1235–1270

    Artículo

    Google Académico

  • Xu Z, Wang S, Zhu F, Huang J (2017) Huella digital Seq2seq: una integración molecular profunda no supervisada para el descubrimiento de fármacos. En: Actas de la 8.ª Conferencia Internacional ACM sobre Bioinformática, Biología Computacional e Informática de la Salud. ACM-BCB ’17, págs. 285–294. Asociación de Maquinaria de Computación, Nueva York, NY, EE. UU. https://doi.org/10.1145/3107411.3107424

  • Li X, Fourches D (2020) Aprendizaje de transferencia inductiva para la predicción de la actividad molecular: modelos qsar de próxima generación con molpmofit. J Cheminformat. https://doi.org/10.1186/s13321-020-00430-x

  • Refaeilzadeh P, Tang L, Liu H (2009) En: Liu L, ÖZSU MT (eds) Cross-Validation, págs. 532–538. Springer, Boston, MA

  • Wishart D, Knox C, Guo A, Cheng D, Shrivastava S, Tzur D, Gautam B, Hassanali M (2008) Drugbank: una base de conocimientos sobre fármacos, acciones de fármacos y objetivos de fármacos. Ácidos nucleicos Res 36:901–906. https://doi.org/10.1093/nar/gkm958

    CAS
    Artículo

    Google Académico

  • Guo C, Pleiss G, Sun Y, Weinberger KQ (2017) Sobre la calibración de las redes neuronales modernas. En: Actas de la 34.ª Conferencia internacional sobre aprendizaje automático, volumen 70, págs. 1321–1330. JMLR. organización

  • Wieslander H, Harrison PJ, Skogberg G, Jackson S, Fridén M, Karlsson J, Spjuth O, Wählby C (2021) Aprendizaje profundo con predicción conforme para el análisis jerárquico de imágenes de tejido de portaobjetos completos a gran escala. IEEE J Biomed Health Informe 25(2):371–380. https://doi.org/10.1109/JBHI.2020.2996300

    Artículo
    PubMed

    Google Académico

  • Merity S, Keskar NS, Socher R (2017) Regularización y optimización de modelos de lenguaje LSTM. arXiv. https://doi.org/10.48550/ARXIV.1708.02182. https://arxiv.org/abs/1708.02182

  • Alvarsson J, Arvidsson McShane S, Noinder U, Spjuth O (2021) Predecir con confianza: usar la predicción conforme en el descubrimiento de fármacos. J Pharm Sci 110(1):42–49

    CAS
    Artículo

    Google Académico

  • Deja un comentario