XiaoMi-AI文件搜索系统
World File Search SystemDTA
利用交叉注意力网络发现成对相互作用来预测药物-靶标亲和力 S. Falahati a、F. Zamani* a、MA Khodamoradi b
在药物发现中，药物-靶标亲和力 (DTA) 被视为至关重要的一步，因为它有助于在开发过程中识别最有前途的候选药物。由于必须考虑药物和靶分子的结构和功能，以及它们复杂而非线性的相互作用，DTA 预测是一项具有挑战性的任务。本研究的目的是提出一种新颖的 DTA 预测框架，该框架利用图神经网络 (GNN) 的交叉注意网络 (CAN) 的优势。然而，使用 GNN 表示图会保留其 3D 结构信息。现有的基于注意力的方法并未充分利用它们。我们的框架使用 CAN 通过分析药物分子的不同部分如何与蛋白质的特定区域相互作用来捕获药物-靶标对的更准确表示。我们在顺序架构中使用 GIN 和 GAT 来捕获药物图分子的局部和全局结构信息。我们在两个基准数据集 Davis 和 KIBA 上评估了所提出方法的性能。其性能令人鼓舞，在均方误差 (MSE) 和一致性指数 (CI) 方面优于许多最先进的方法。具体来说，对于 Davis 数据集，我们实现了 0.222 的 MSE 和 0.901 的 CI，而对于 KIBA，我们获得了 0.144 的 MSE 和 0.883 的 CI。我们的方法提高了相互作用分析的可解释性和特异性，为药物发现过程提供了更深入的见解，并为预测的 DTA 提供了有价值的解释。我们的研究代码可在以下网址获取：https://github.com/fsonya88/CAN-DTA。
通过特征处理方案优化药物 - 目标亲和力预测方法
结果：在这项研究中，为了获得具有高精度和强大可解释性的模型，我们利用了各种传统和尖端的特征选择和降低维度降低技术来处理自我相关特征和相邻的相关特征。然后将这些优化的特征送入学习排名以实现有效的DTA预测。在两个常用数据集上进行的广泛实验结果表明，在各种特征优化方法中，基于回归树的特征选择方法对于构建具有良好性能和稳健性的模型是最有益的。然后，通过利用Shapley添加说明值和增量功能选择AP-PRACH，我们可以获得高质量的功能子集由前150D特征组成，而Top 20D功能对DTA预测产生了突破性的影响。总而言之，我们的研究彻底验证了DTA预测中特征优化的重要性，并作为构建高性能和高解释模型的灵感。
通过特征处理方案优化药物 - 目标亲和力预测方法
结果：在这项研究中，为了获得具有高精度和强大可解释性的模型，我们利用了各种传统和尖端的特征选择和降低维度降低技术来处理自我相关特征和相邻的相关特征。然后将这些优化的特征送入学习排名以实现有效的DTA预测。在两个常用数据集上进行的广泛实验结果表明，在各种特征优化方法中，基于回归树的特征选择方法对于构建具有良好性能和稳健性的模型是最有益的。然后，通过利用Shapley添加说明值和增量功能选择AP-PRACH，我们可以获得高质量的功能子集由前150D特征组成，而Top 20D功能对DTA预测产生了突破性的影响。总而言之，我们的研究彻底验证了DTA预测中特征优化的重要性，并作为构建高性能和高解释模型的灵感。
APD-1.0.pdf - NATO STO
负责任何北约标准化文件的高级委员会是其各自领域的任务授权机构 (TA)。TA 共享和验证标准化提案，制定和批准任务，并制作、同意、审查和维护北约标准化文件。TA 通过 NDPP 为互操作性要求和标准化解决方案的开发做出贡献。有关北约标准化文件的制定、颁布和审查的所有决策都将由负责 TA 的盟国协商一致做出。任务授权机构可以将这些职能委托给另一个 TA，或委托给称为授权任务授权机构 (DTA) 的下属机构。出于透明度、协调和效率的目的，任何 DTA 都应直接向其 TA 报告标准化决策。
MGraphDTA：用于解释药物靶标结合的深度多尺度图神经网络†
为了找到一种对特定蛋白质有效且安全的药物，药理学家必须测试数千种化合物。5然而，药物靶标相互作用（DTA）的实验测量既耗时又耗资源。DTA预测的计算机模拟方法因其效率高、成本低而备受关注。现有的计算机模拟方法主要可分为三类：基于结构的方法、基于特征的方法和深度学习方法。基于结构的方法可以通过考虑小分子和蛋白质的三维结构来探索潜在的结合位点。对接是一种成熟的基于结构的方法，它使用多种模式定义和评分函数来最小化结合的自由能。分子动力学模拟是另一种流行的基于结构的方法，它可以提供有关单个粒子运动随时间变化的最终细节。6然而，基于结构的方法非常耗时，如果蛋白质的三维结构未知，则无法使用。7
DeepGS：用于药物靶标结合亲和力预测的图形和序列的深度表示学习
摘要：准确预测药物-靶标结合亲和力 (DTA) 是药物发现中的一项关键任务。大多数传统的 DTA 预测方法都是基于模拟的，这严重依赖于领域知识或具有靶标的 3D 结构的假设，而这些知识通常很难获得。同时，传统的基于机器学习的方法应用各种特征和描述符，并且仅仅依赖于药物-靶标对之间的相似性。最近，随着可用的亲和力数据的增加和深度表示学习模型在各个领域的成功，深度学习技术已应用于 DTA 预测。然而，这些方法考虑了标签/独热编码或分子的拓扑结构，而没有考虑氨基酸和 SMILES 序列的局部化学背景。基于此，我们提出了一种新颖的端到端学习框架 DeepGS，该框架使用深度神经网络从氨基酸和 SMILES 序列中提取局部化学背景，以及从药物中提取分子结构。为了协助对符号数据的操作，我们建议使用先进的嵌入技术（即 Smi2Vec 和 Prot2Vec）将氨基酸和 SMILES 序列编码为分布式表示。同时，我们提出了一种在我们的框架下运行良好的新分子结构建模方法。我们进行了大量的实验，将我们提出的方法与最先进的模型（包括 KronRLS、SimBoost、DeepDTA 和 DeepCPI）进行了比较。大量的实验结果证明了 DeepGS 的优越性和竞争力。
AEDC超速风洞9到达...
可能会服用。应根据当前的监督和人员政策进行休息，这些政策和人事政策具有与良好的工作实践并完成任务相同的相同休息机会。3。无烟烟草产品（例如鼻烟和蘸酱）：无烟烟草产品不得限于DTA。无烟烟草将在所有工作场所（内外）允许使用合理的安全和卫生条件。具体来说，不得将烟草废物的容器（包括密封的容器）放在垃圾箱中无人看管或处置。无烟烟草的使用者必须冲洗烟草，然后冲洗厕所。4。电子烟（也称为“电子烟”）：根据空军教学（AFI）40-102，无烟草生活，电子烟被认为等于烟草产品；但是，电子烟不仅限于DTA，因此可以在与建筑物入口/出口点25英尺的户外使用。（此政策的日期为2016年7月27日）