The amount of high-throughput scree

The amount of high-throughput screening (HTS) data readily available has significantly increased
because of the PubChem project (http://pubchem.ncbi.nlm.nih.gov/). There is considerable opportunity
for datamining of smallmolecules for a variety of biological systems using cheminformatic tools and the
resources available through PubChem. In thiswork,we trained a support vectormachine (SVM) classifier
using the Signature molecular descriptor on factor XIa inhibitor HTS data. The optimal number of
Signatures was selected by implementing a feature selection algorithm of highly correlated clusters. Our
method included an improvement that allowed clusters to work together for accuracy improvement,
where previous methods have scored clusters on an individual basis. The resulting model had a 10-fold
cross-validation accuracy of 89%, and additional validation was provided by two independent test sets.
We applied the SVMto rapidly predict activity for approximately 12million compounds also deposited in
PubChem. Confidence in these predictions was assessed by considering the number of Signatures within
the training set range for a given compound, defined as the overlap metric. To further evaluate
compounds identified as active by the SVM, docking studies were performed using AutoDock. A focused
database of compounds predicted to be active was obtained with several of the compounds appreciably
dissimilar to those used in training the SVM. This focused database is suitable for further study. The data
mining technique presented here is not specific to factor XIa inhibitors, and could be applied to other
bioassays in PubChemwhere one is looking to expand the search for smallmolecules as chemical probes.

ผลลัพธ์ (ไทย) 1:

อัตราความเร็วสูง (เมอร์) การคัดกรองข้อมูลพร้อมมี significantly เพิ่ม
เนื่องจากโครงการผับเคม (http://pubchem.ncbi.nlm.nih.gov/) มีโอกาสมาก
สำหรับ datamining smallmolecules สำหรับระบบชีวภาพโดยใช้เครื่องมือ cheminformatic และ
ทรัพยากรผ่านผับเคม ใน thisworkเราฝึกอบรมการสนับสนุน vectormachine (SVM) classifier
ใช้อธิบายโมเลกุลของลายเซ็นบนปัจจัยข้อมูลเมอร์ผลเซียะ สูงสุดจำนวน
เลือกลายเซ็น โดยใช้ขั้นตอนวิธีการเลือกคุณลักษณะของคลัสเตอร์ correlated สูง ของเรา
วิธีรวมการปรับปรุงที่ได้รับอนุญาตคลัสเตอร์ทำงานร่วมกันปรับปรุงความถูกต้อง,
ซึ่งวิธีการก่อนหน้านี้มีคะแนนคลัสเตอร์บนพื้นฐานเป็นรายบุคคล รูปผลมีกลีบ 10
ข้ามตรวจสอบความถูกต้องของ 89% และตรวจสอบเพิ่มเติมให้ ด้วยสองทดสอบอิสระชุด.
เราใช้ SVMto การอย่างรวดเร็วทำนายกิจกรรมสำหรับประมาณ 12million สารยังฝากใน
ผับเคม Confidence ในการคาดการณ์เหล่านี้ถูกประเมิน โดยพิจารณาจำนวนลายเซ็นภายใน
การฝึกกำหนดช่วงสำหรับ defined ผสม ที่กำหนดเป็นเมตริกซ้อน การประเมินเพิ่มเติม
สาร identified ใช้งาน โดย SVM เทียบศึกษาได้ดำเนินการโดยใช้ AutoDock การเน้น
ฐานข้อมูลสารที่คาดว่า จะเป็นงานได้รับ ด้วยสารประกอบ appreciably
ไม่เหมือนกับที่ใช้ในการฝึกอบรมการ SVM ฐานข้อมูลนี้โฟกัสเหมาะสำหรับการศึกษาต่อ ข้อมูล
นำเสนอเทคนิคการทำเหมืองไม่ specific ปัจจัยเซี่ย inhibitors และสามารถใช้กับอื่น ๆ
bioassays ใน PubChemwhere หนึ่งที่กำลังมองหาสำหรับ smallmolecules เป็น probes เคมี

ผลลัพธ์ (ไทย) 2:

ปริมาณของการตรวจคัดกรองผ่านสูง (HTS) ข้อมูลที่พร้อมใช้งานได้อย่างมีนัยสำคัญเพิ่มขึ้น
เพราะโครงการ PubChem (http://pubchem.ncbi.nlm.nih.gov/) มีโอกาสมากที่
การทำเหมืองข้อมูลของ smallmolecules สำหรับความหลากหลายของระบบชีวภาพโดยใช้เครื่องมือ cheminformatic และ
ทรัพยากรที่มีอยู่ผ่าน PubChem ใน thiswork เราได้รับการฝึกฝน vectormachine สนับสนุน (SVM) จัดประเภทเอ้อ
ใช้ลายเซ็นอธิบายโมเลกุลกับปัจจัยข้อมูลเซี่ยยับยั้ง HTS จำนวนที่เหมาะสมของ
ลายเซ็นได้รับเลือกจากการดำเนินการขั้นตอนวิธีการเลือกคุณลักษณะของกลุ่มมีความสัมพันธ์อย่างมาก ของเรา
วิธีการรวมถึงการปรับปรุงที่ได้รับอนุญาตกลุ่มที่จะทำงานร่วมกันในการปรับปรุงความถูกต้อง
ที่วิธีการก่อนหน้านี้ได้คะแนนกลุ่มเป็นรายบุคคล รูปแบบที่เกิดขึ้นมี 10 เท่า
ความถูกต้องข้ามการตรวจสอบจาก 89% และการตรวจสอบเพิ่มเติมได้โดยสองชุดทดสอบอิสระ
เราใช้ SVMto อย่างรวดเร็วทำนายกิจกรรมประมาณ 12 ล้านสารประกอบยังฝากไว้ใน
PubChem เชื่อ con ไฟในการคาดการณ์เหล่านี้ได้รับการประเมินโดยพิจารณาจำนวนของลายเซ็นที่อยู่ใน
ช่วงการฝึกอบรมชุดสำหรับสารประกอบเดอไฟให้ ned เป็นตัวชี้วัดที่ทับซ้อนกัน เพื่อประเมิน
การระบุสารประกอบเอ็ดไฟเป็นที่ใช้งานโดย SVM ศึกษาต่อได้รับการดำเนินการโดยใช้ AutoDock เน้น
ฐานข้อมูลของสารที่คาดว่าจะเป็นที่ใช้งานได้กับหลายของสารประกอบประเมิน
ที่แตกต่างกันกับที่ใช้ในการฝึกอบรม SVM ฐานข้อมูลที่เน้นการนี้เหมาะสำหรับการศึกษาต่อ ข้อมูล
เทคนิคการทำเหมืองแร่ที่นำเสนอนี้ไม่ได้ไฟค speci ปัจจัยยับยั้งเซี่ยและสามารถนำไปใช้กับคนอื่น ๆ
การทดลองทางชีววิทยาใน PubChemwhere หนึ่งกำลังมองหาที่จะขยายการค้นหา smallmolecules เป็น probe เคมี

ผลลัพธ์ (ไทย) 3:

ปริมาณของการช่วย ( HTS ) ข้อมูลพร้อมใช้งานได้ signi จึงลดลงอย่างมีนัยสําคัญเมื่อเพิ่มขึ้น
เพราะโครงการ ( ( http : / / ( . ncbi . nlm . NIH . gov / ) มี โอกาสมากสำหรับดาต้าไมนิ่งของ
smallmolecules สำหรับความหลากหลายของระบบชีวภาพ การใช้เครื่องมือและทรัพยากรที่พร้อมใช้งานผ่าน cheminformatic
( . thiswork ใน ,เราได้รับการสนับสนุน vectormachine ( SVM ) classi จึงเอ้อ
ใช้ลายเซ็นโมเลกุลหัวเรื่องปัจจัยข้อมูลเซี่ยซิน hts . จำนวนที่เหมาะสมของ
ลายเซ็นถูกเลือกโดยการใช้คุณลักษณะการใช้ระดับสูงกลุ่ม วิธีของเรา
รวมการปรับปรุงที่อนุญาตให้กลุ่ม ทำงานร่วมกันเพื่อปรับปรุงความถูกต้อง
ซึ่งวิธีการก่อนหน้านี้ได้คะแนนกลุ่มในแต่ละบุคคล ส่งผลให้รูปแบบมี 10 เท่า
ข้ามการตรวจสอบความถูกต้องของ 89% และตรวจสอบเพิ่มเติม โดยชุดทดสอบอิสระ .
เราใช้ svmto อย่างรวดเร็วทำนายกิจกรรมประมาณ 12million สารประกอบยังฝากไว้
( .คอน จึง dence ในการคาดการณ์เหล่านี้ได้รับการประเมินโดยพิจารณาจำนวนลายเซ็นภายใน
ช่วงชุดฝึกอบรมสำหรับการผสม , de จึงเน็ดเป็นซ้อนเมตริก เพื่อประเมินสารประกอบเพิ่มเติม
identi จึงเอ็ดเป็น active โดย SVM docking , ศึกษาการใช้ autodock . เน้น
ฐานข้อมูลของสารประกอบที่คาดการณ์จะใช้งานได้กับหลายของสารประกอบที่ได้
ที่แตกต่างกันที่ใช้ในการฝึกอบรม SVM . ฐานข้อมูลนี้จึงเหมาะสำหรับการศึกษาต่อไป ข้อมูล วิธีการทําเหมือง
แสดงที่นี่ไม่ใช่กาจึง C ปัจจัยเซี่ยน และสามารถใช้กับละเอียดอื่น ๆใน pubchemwhere
หนึ่งต้องการขยายการค้นหา smallmolecules เป็นสารเคมีเครื่องมือตรวจสอบ