Cryptic binding site prediction with protein language models
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3A10476944" target="_blank" >RIV/00216208:11320/23:10476944 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216208:11310/23:10476944
Výsledek na webu
<a href="https://doi.org/10.1109/BIBM58861.2023.10385497" target="_blank" >https://doi.org/10.1109/BIBM58861.2023.10385497</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/BIBM58861.2023.10385497" target="_blank" >10.1109/BIBM58861.2023.10385497</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Cryptic binding site prediction with protein language models
Popis výsledku v původním jazyce
Structure-based identification of protein-ligand binding sites plays a crucial role in the initial stages of rational drug discovery pipelines. As machine learning methods are increasingly integrated into the process, a significant challenge arises while training these methods, as labeled data are typically derived from ligand-bound structures. Consequently, these methods struggle to detect binding sites within proteins where the binding site is concealed in the absence of a bound ligand. Here, we explore the possibility of harnessing protein language models to address this issue and compare their performance against state-of-the-art methods, both those specialized in the cryptic binding site (CBS) detection and those that are not. We show that applying pre-trained protein-language models in a relatively straightforward manner enables us to surpass the state-of-the-art of CBS prediction.
Název v anglickém jazyce
Cryptic binding site prediction with protein language models
Popis výsledku anglicky
Structure-based identification of protein-ligand binding sites plays a crucial role in the initial stages of rational drug discovery pipelines. As machine learning methods are increasingly integrated into the process, a significant challenge arises while training these methods, as labeled data are typically derived from ligand-bound structures. Consequently, these methods struggle to detect binding sites within proteins where the binding site is concealed in the absence of a bound ligand. Here, we explore the possibility of harnessing protein language models to address this issue and compare their performance against state-of-the-art methods, both those specialized in the cryptic binding site (CBS) detection and those that are not. We show that applying pre-trained protein-language models in a relatively straightforward manner enables us to surpass the state-of-the-art of CBS prediction.
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/GA23-07349S" target="_blank" >GA23-07349S: Detekce kryptických aktivních míst proteinů pomocí strojového učení</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2023
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
2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)
ISBN
979-8-3503-3748-8
ISSN
—
e-ISSN
2156-1133
Počet stran výsledku
3
Strana od-do
4935-4937
Název nakladatele
IEEE
Místo vydání
USA
Místo konání akce
Istanbul, Turkiye
Datum konání akce
5. 12. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—