Predicting Small Molecule Potency to Inhibit Estrogen Receptors using Machine Learning and Deep Learning Approaches
Notice bibliographique
Résumé
Uncovering new therapeutic potentials of existing approved drugs is an accelerated process of drug discovery as compared to designing a new drug from scratch. Launching a new drug into the market is challenging in terms of laborious efforts, time, cost and risks attached. Identifying the potency of the drug in terms of their binding affinity offers a new avenue of research concerning faster and cheaper health-care solution. In this regards, predicting the binding affinity of various drugs to a specific target receptor-like Estrogen receptor can lead to deeper insights. Estrogen receptor plays a significant role in diseases like breast cancer, ovarian cancer and endometrial cancer. Computational techniques like advanced deep learning models have shown effective results with complex data. In the proposed model, we construct a deep neural network with open-source Tensorflow python package to predict the binding affinities of small molecules with respect to Estrogen receptors. Small molecules are represented as feature vectors comprising of binding affinities to the other targets within the dataset. Based on the behaviour of a compound to inhibit the rest of the targets, we predict its potential binding affinity to bind to the estrogen receptors. The linear regression model is trained on the binding data from BindingDB database consisting of 7962 small molecules and a unique set of 995 target receptors. The performance of simple linear regression technique is compared to the deep neural network based linear regression estimator function in terms of mean squared error estimates. Better performance obtained with deep learning approach indicates that these advanced techniques in the domain of artificial intelligence should be further investigated for drug-target binding affinity prediction. Sources to reproduce the analysis are available at https://github.com/hetalraj/Bindingaffinity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».