Penyaringan Virtual Berbasis Docking dengan Pembelajaran Multi-Tugas
Uncategorized

Penyaringan Virtual Berbasis Docking dengan Pembelajaran Multi-Tugas

Membuat obat baru adalah proses yang kompleks dan mahal. Penemuan obat dengan bantuan komputer digunakan untuk mempercepat proses ini dan menurunkan biaya pasar.

Misalnya, docking molekuler digunakan untuk memprediksi afinitas pengikatan dan konformasi terikat. Namun, dengan bertambahnya jumlah data, waktu komputasi penyaringan virtual muncul menjadi masalah.

Penyaringan Virtual Berbasis Docking dengan Pembelajaran Multi-Tugas

Seorang teknisi laboratorium dalam proses pemipetan sampel. Kredit gambar: CDC/Von Roebuck/Lauren Bishop, Domain Publik

Sebuah studi baru-baru ini di arXiv.org mengusulkan Multi-Task Learning (MTL) untuk meningkatkan akurasi prediksi skor docking sekaligus memanfaatkan sepenuhnya data yang tersedia. MTL mempelajari beberapa tugas terkait secara bersama-sama sehingga tugas dapat menggunakan pengetahuan yang terkandung dalam tugas lain untuk meningkatkan kinerjanya.

Eksperimen menunjukkan bahwa MTL mencapai akurasi prediksi skor docking yang lebih baik daripada pendekatan alternatif. Juga ditunjukkan bahwa model yang dilatih dengan MTL mempelajari representasi senyawa yang lebih baik dan dapat digunakan untuk beradaptasi dengan tugas baru seperti prediksi afinitas target obat.

Pembelajaran mesin menunjukkan potensi besar dalam penyaringan virtual untuk penemuan obat. Upaya saat ini untuk mempercepat penyaringan virtual berbasis docking tidak mempertimbangkan penggunaan data yang ada dari target lain yang dikembangkan sebelumnya. Untuk memanfaatkan pengetahuan target lain dan memanfaatkan data yang ada, dalam pekerjaan ini, kami menerapkan pembelajaran multi-tugas untuk masalah penyaringan virtual berbasis docking. Dengan dua set data docking yang besar, hasil eksperimen ekstensif menunjukkan bahwa pembelajaran multi-tugas dapat mencapai kinerja yang lebih baik dalam prediksi skor docking. Dengan mempelajari pengetahuan di beberapa target, model yang dilatih oleh pembelajaran multi-tugas menunjukkan kemampuan yang lebih baik untuk beradaptasi dengan target baru. Studi empiris tambahan menunjukkan bahwa masalah lain dalam penemuan obat, seperti prediksi afinitas target obat eksperimental, juga dapat mengambil manfaat dari pembelajaran multi-tugas. Hasil kami menunjukkan bahwa pembelajaran multi-tugas adalah pendekatan pembelajaran mesin yang menjanjikan untuk penyaringan virtual berbasis docking dan mempercepat proses penemuan obat.

Makalah penelitian: Liu, Z., Ye, X., Fang, X., Wang, F., Wu, H., dan Wang, H., “Penyaringan Virtual Berbasis Docking dengan Pembelajaran Multi-Tugas”, 2021. Tautan: https: //arxiv.org/abs/2111.09502



Posted By : togel hongkon