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”

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