Improving protein-ligand binding site prediction accuracy by classification of inner pocket points using local features
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F15%3A10294719" target="_blank" >RIV/00216208:11320/15:10294719 - isvavai.cz</a>
Výsledek na webu
<a href="http://www.jcheminf.com/content/7/1/12/" target="_blank" >http://www.jcheminf.com/content/7/1/12/</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1186/s13321-015-0059-5" target="_blank" >10.1186/s13321-015-0059-5</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Improving protein-ligand binding site prediction accuracy by classification of inner pocket points using local features
Popis výsledku v původním jazyce
Background Protein-ligand binding site prediction from a 3D protein structure plays a pivotal role in rational drug design and can be helpful in drug side-effects prediction or elucidation of protein function. Embedded within the binding site detection problem is the problem of pocket ranking - how to score and sort candidate pockets so that the best scored predictions correspond to true ligand binding sites. Although there exist multiple pocket detection algorithms, they mostly employ a fairly simple ranking function leading to sub-optimal prediction results. Results We have developed a new pocket scoring approach (named PRANK) that prioritizes putative pockets according to their probability to bind a ligand. The method first carefully selects pocketpoints and labels them by physico-chemical characteristics of their local neighborhood. Random Forests classifier is subsequently applied to assign a ligandability score to each of the selected pocket point. The ligandability scores are f
Název v anglickém jazyce
Improving protein-ligand binding site prediction accuracy by classification of inner pocket points using local features
Popis výsledku anglicky
Background Protein-ligand binding site prediction from a 3D protein structure plays a pivotal role in rational drug design and can be helpful in drug side-effects prediction or elucidation of protein function. Embedded within the binding site detection problem is the problem of pocket ranking - how to score and sort candidate pockets so that the best scored predictions correspond to true ligand binding sites. Although there exist multiple pocket detection algorithms, they mostly employ a fairly simple ranking function leading to sub-optimal prediction results. Results We have developed a new pocket scoring approach (named PRANK) that prioritizes putative pockets according to their probability to bind a ligand. The method first carefully selects pocketpoints and labels them by physico-chemical characteristics of their local neighborhood. Random Forests classifier is subsequently applied to assign a ligandability score to each of the selected pocket point. The ligandability scores are f
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GP14-29032P" target="_blank" >GP14-29032P: Efektivní explorace chemického prostoru s využitím vícekriteriální optimalizace</a><br>
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Journal of Cheminformatics
ISSN
1758-2946
e-ISSN
—
Svazek periodika
7
Číslo periodika v rámci svazku
12
Stát vydavatele periodika
GB - Spojené království Velké Británie a Severního Irska
Počet stran výsledku
13
Strana od-do
1-13
Kód UT WoS článku
—
EID výsledku v databázi Scopus
2-s2.0-84928563231