Exploration of protein sequence embeddings for protein-ligand binding site detection
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F22%3A10455486" target="_blank" >RIV/00216208:11320/22:10455486 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1109/BIBM55620.2022.9995025" target="_blank" >https://doi.org/10.1109/BIBM55620.2022.9995025</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/BIBM55620.2022.9995025" target="_blank" >10.1109/BIBM55620.2022.9995025</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Exploration of protein sequence embeddings for protein-ligand binding site detection
Popis výsledku v původním jazyce
Detection of protein-ligand binding sites is essential not only for protein function investigation but also in fields such as drug discovery or bioengineering. In this paper, we show that the recently-developed pre-trained language models can be used for protein-ligand binding site prediction. Specifically, we present a neural network architecture where inputs correspond to amino acids embeddings obtained from a protein language model. We show that increasing complexity of the language model improves the predictive performance of the method, eventually leading to results comparable to or surpassing state-of-the-art approaches. Unlike the existing methods, the presented approach does not require time-consuming computation of evolutionary information, resulting in faster running times.
Název v anglickém jazyce
Exploration of protein sequence embeddings for protein-ligand binding site detection
Popis výsledku anglicky
Detection of protein-ligand binding sites is essential not only for protein function investigation but also in fields such as drug discovery or bioengineering. In this paper, we show that the recently-developed pre-trained language models can be used for protein-ligand binding site prediction. Specifically, we present a neural network architecture where inputs correspond to amino acids embeddings obtained from a protein language model. We show that increasing complexity of the language model improves the predictive performance of the method, eventually leading to results comparable to or surpassing state-of-the-art approaches. Unlike the existing methods, the presented approach does not require time-consuming computation of evolutionary information, resulting in faster running times.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GA22-21696S" target="_blank" >GA22-21696S: Hluboké vizuální reprezentace nestrukturovaných dat</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)
ISBN
978-1-66546-819-0
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
3356-3361
Název nakladatele
IEEE
Místo vydání
USA
Místo konání akce
Las Vegas, NV, USA
Datum konání akce
6. 12. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—