Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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