In this Letter, we present a novel

In this Letter, we present a novel methodology of searching for biologically active compounds, which is
based on the combination of docking experiments and analysis of the results by machine learning methods.
The study was performed for 5 different protein kinases, and several sets of compounds (active,
inactive and assumed inactives) were docked into their targets. The resulting ligand–protein complexes
were represented by the means of structural interaction fingerprints profiles (SIFts profiles) that constituted
an input for ML methods. The developed protocol was found to be superior to the combination of
classification algorithms with the standard fingerprint MACCSFP

ผลลัพธ์ (ไทย) 1:

ในจดหมายนี้ เรานำเสนอวิธีนวนิยายของค้นหาสารที่ชิ้นงาน ซึ่งเป็นขึ้นอยู่กับชุดทดลองเทียบและวิเคราะห์ผล โดยวิธีการเรียนรู้ของเครื่องทำการศึกษา 5 kinases โปรตีนแตกต่างกัน และหลายชุด (ใช้งานอยู่ สารinactives ปลอม และไม่ได้ใช้งาน) ถูกย้ายไปยังเป้าหมายของพวกเขา สิ่งอำนวยความสะดวกลิแกนด์ – โปรตีนได้ถูกแทน ด้วยวิธีการโต้ตอบโครงสร้างลายนิ้วมือโพรไฟล์ (โพรไฟล์ SIFts) ที่ทะลักการป้อนข้อมูลสำหรับวิธี ML พบโพรโทคอลพัฒนาให้เหนือกว่าชุดอัลกอริทึมการจัดประเภทมาตรฐานลายนิ้วมือ MACCSFP

ผลลัพธ์ (ไทย) 2:

ในจดหมายนี้เรานำเสนอวิธีการนวนิยายของการค้นหาสารออกฤทธิ์ทางชีวภาพซึ่งจะขึ้นอยู่กับการรวมกันของการทดลองเชื่อมต่อและการวิเคราะห์ผลโดยวิธีการเรียนรู้เครื่อง.
การศึกษาได้ดำเนินการเป็นเวลา 5 ไคเนสส์โปรตีนแตกต่างกันและหลายชุดของสาร (ที่ใช้งาน
inactives ใช้งานและสันนิษฐาน) ได้รับการเชื่อมต่อเข้าสู่เป้าหมายของพวกเขา คอมเพล็กซ์แกนด์โปรตีนส่งผลให้เป็นตัวแทนโดยวิธีการของการทำงานร่วมกันที่มีโครงสร้างเป็นรูปลายนิ้วมือ (โปรไฟล์ sifts) ที่ประกอบด้วยการป้อนข้อมูลสำหรับวิธีML โปรโตคอลที่พัฒนาขึ้นพบว่าจะดีกว่าการรวมกันของขั้นตอนวิธีการจัดหมวดหมู่ที่มีลายนิ้วมือ MACCSFP มาตรฐาน

ผลลัพธ์ (ไทย) 3:

ในฉบับนี้เรานำเสนอวิธีการใหม่ของการค้นหาสารที่มีฤทธิ์ทางชีวภาพ ซึ่ง
จากการรวมกันของ Docking การทดลองและการวิเคราะห์ผลโดยวิธีการเรียนรู้ของเครื่อง .
ได้ทำการศึกษา 5 ยาโปรตีนที่แตกต่างกันและหลายชุดของสารประกอบ ( Active
เฉื่อยชาและถือว่า inactives ) ถูกจอดลงเป้าหมายของพวกเขาผล–โปรตีนเชิงซ้อนลิแกนด์
แทน ด้วยวิธีการของโครงสร้างปฏิสัมพันธ์ลายนิ้วมือโปรไฟล์ ( sifts โปรไฟล์ ) ที่บัญญัติ
input สำหรับวิธี ML . โปรโตคอลที่พัฒนาได้เหนือกว่าการรวมกันของ
ขั้นตอนวิธีการจำแนกด้วย maccsfp ลายนิ้วมือมาตรฐาน