2024
Klasifikátor vazebných kapes v proteinech založený na strojovém učení
HADDADI, Faraneh; Ondřej VÁVRA; David BEDNÁŘ; Stanislav MAZURENKO; Jiří DAMBORSKÝ et. al.Základní údaje
Originální název
Klasifikátor vazebných kapes v proteinech založený na strojovém učení
Název anglicky
A machine learning-based classifier of binding pockets in proteins
Vydání
2024
Další údaje
Jazyk
čeština
Typ výsledku
Software
Obor
10201 Computer sciences, information science, bioinformatics
Stát vydavatele
Česká republika
Utajení
není předmětem státního či obchodního tajemství
Kód RIV
RIV/00216224:14310/24:00138661
Organizační jednotka
Přírodovědecká fakulta
Klíčová slova anglicky
machine learning; protein; predictor; protein engineering; ligand binding; catalysis
Technické parametry
Doposud je využíváno interně k výzkumným účelům.
Změněno: 4. 4. 2025 07:59, prof. Mgr. Jiří Damborský, Dr.
V originále
Některé strukturní prvky proteinů hrají rozhodující roli při navázání a uvolnění ligandů, např. povrchové vazebné rozhraní, tunel s jedním otvorem, který spojuje aktivní místo s vnějším prostředím, nebo oboustranně otevřený kanál. Pro výpočet tunelů a kanálů existuje několik metod, které však vyžadují vlastní nastavení, aby poskytly kvalitní výsledky. Zejména rozlišení mezi povrchovými a zanořenými vazebnými kapsami je pro výpočet tunelu kritické, ale zatím není dořešené. Cílem tohoto klasifikátoru je vyřešit tento problém pomocí funkcí FPOCKET a ručně označeného souboru dat 200 kapes klasifikovaných jako povrchové, hraniční a zanořené. Klasifikátor se skládá z malé umělé neuronové sítě a dosahuje přesnosti 54 % a skóre F1 50 %.
Anglicky
Certain structural elements of proteins play a critical role in binding and unbinding ligands, e.g., the surface binding interface, a tunnel with one opening that connects the active site with the outside environment, or a channel open on both sides. There are several methods for tunnel and channel calculation, but they require customized settings to produce high-quality results. In particular, the discrimination between surface and buried binding pockets is critical for tunnel calculation but is an open problem. This classifier aims to solve this problem using FPOCKET features and manually labelled dataset of 200 pockets classified as surface, borderline, and buried. The classifier consists of a small artificial neural network and achieves the accuracy of 54% and F1 score of 50%.
Návaznosti
| LM2023049, projekt VaV |
|