检索结果-南通市图书馆

Disclosing incoherent sparse and low-rank patterns inside homologous GPCR tasks for better modelling of ligand bioactivities

引用

Frontiers of Computer Science 2022年第4期16卷 91-102页

作者： Jiansheng Wu chuangchuang lan Xuelin Ye Jiale Deng Wanqing Huang Xueni Yang Yanxiang Zhu Haifeng Hu School of Geographic and Biologic Information Nanjing University of Posts and TelecommunicationsNanjing210023China Smart Health Big Data Analysis and Location Services Engineering Lab of Jiangsu Province Nanjing University of Posts and TelecommunicationsNanjing210023China Department of Statistics University of WarwickCoventryCV47ALUK Modern Economics&Management College Jiangxi University of Finance and EconomicsNanchang330013China School of Telecommunication and Information Engineering Nanjing University of Posts and TelecommunicationsNanjing210023China Verimake Research Nanjing Qujike Info-tech Co.Ltd.Nanjing210088China

There are many new and potential drug targets in G protein-coupled receptors(GPCRs)without sufficient ligand associations,and accurately predicting and interpreting ligand bioactivities is vital for screening and optimizing hit compounds targeting these GPCRs.To efficiently address the lack of labeled training samples,we proposed a multi-task regression learning with incoherent sparse and low-rank patterns(MTR-ISLR)to model ligand bioactivities and identify their key substructures associated with these GPCRs targets.That is,MTR-ISLR intends to enhance the performance and interpretability of models under a small size of available training data by introducing homologous GPCR tasks.Meanwhile,the low-rank constraint term encourages to catch the underlying relationship among homologous GPCR tasks for greater model generalization,and the entry-wise sparse regularization term ensures to recognize essential discriminative substructures from each task for explanative modeling.We examined MTR-ISLR on a set of 31 important human GPCRs datasets from 9 subfamilies,each with less than 400 ligand associations.The results show that MTR-ISLR reaches better performance when compared with traditional single-task learning,deep multi-task learning and multi-task learning with joint feature learning-based models on most cases,where MTR-ISLR obtains an average improvement of 7%in correlation coefficient(r2)and 12%in root mean square error(RMSE)against the runner-up predictors.The MTR-ISLR web server appends freely all source codes and data for academic usages.^(1))

关键词： G protein-coupled receptors(GPCRs) ligand bioactivities multi-task learning incoherent sparse and lowrank patterns

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于多视图矩阵补全的蛋白受体功能预测

引用

南京大学学报（自然科学版） 2024年第1期60卷 1-11页

作者：黄玮翔丁季刘夏栩殷勤兰闯闯吴建盛南京邮电大学地理与生物信息学院南京210023 南京邮电大学通信与信息工程学院南京210023

蛋白受体是细胞信号转导的重要组成部分,也是人类最重要的药物靶点,其中G蛋白偶联受体(G Protein Coupled Receptors,GPCRs)占绝大部分,目前市场上大约34%的药物都以GPCRs作为靶点.准确地注释GPCR蛋白的生物学功能对于理解它们涉及的生... 详细信息

蛋白受体是细胞信号转导的重要组成部分,也是人类最重要的药物靶点,其中G蛋白偶联受体(G Protein Coupled Receptors,GPCRs)占绝大部分,目前市场上大约34%的药物都以GPCRs作为靶点.准确地注释GPCR蛋白的生物学功能对于理解它们涉及的生理过程及靶向药物发现至关重要,其中基因本体学(Gene Ontology,GO)是描述蛋白质功能最常用的方式,GPCR蛋白和GO都包含多个视图信息,有效利用这些信息可有效提升蛋白质功能的预测性能.因此,提出一种基于多视图的归纳矩阵补全方法MVIMC(Multi-View Inductive Matrix Completion)来预测GPCR蛋白的GO生物学功能.MVIMC有效利用了GPCR蛋白和GO标记视图信息,其中GPCR包含文本信息和结构域信息,GO包含文本信息.实验结果表明,MVIMC在分子功能和生物过程两方面的预测概率分别达到68%和69%,优于目前最好的矩阵补全方法以及CAFA蛋白质功能预测比赛中的常用方法.

关键词： G蛋白偶联受体基因本体矩阵补全多视图学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

利用深度迁移学习靶向GPCRs的配体活性预测

引用

计算机工程与应用 2023年第13期59卷 120-128页

作者：汤丽华卢宁兰闯闯陈荣华吴建盛南京邮电大学地理与生物信息学院南京210023 南京邮电大学通信与信息工程学院南京210023 常州市第一人民医院神经外科江苏常州213003

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... 详细信息

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

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

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

引用

陕西师范大学学报（自然科学版） 2021年第1期49卷 1-13页

作者：吴建盛兰闯闯秦洁朱燕翔胡海峰南京邮电大学地理与生物信息学院江苏南京210023 南京邮电大学通信与信息工程学院江苏南京210023 南京趣集客信息技术有限公司VeriMake实验室江苏南京210088

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... 详细信息

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

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：