MARC

 008260126s2025        us                              c    eng  d
■001000017358430
■00520260202104701
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280771284
■035    ▼a(MiAaPQ)AAI32116218
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a540
■1001  ▼aXue,  Mingyi.
■24510▼aFeature-Based  Deep  Learning  Approaches  to  Facilitate  Drug  Discovery
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a166  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Huang,  Xuhui.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aProteins,  owing  to  their  structural  complexity  and  functional  diversity,  play  a  pivotal  role  in  drug  development.  Recent  advances  in  deep  learning  have  considerably  expanded  the  capacity  to  analyze  protein  structures,  infer  physicochemical  properties,  and  model  intermolecular  interactions.  Nevertheless,  the  vastness  of  chemical  space  and  the  intricate  nature  of  protein-ligand  interactions  pose  significant  challenges  in  the  early  stages  of  drug  discovery.This  dissertation  first  addresses  these  challenges  through  the  development  and  application  of  a  comprehensive  pipeline  for  fragment-based  drug  discovery  (FBDD).  A  key  contribution  is  the  implementation  of  an  automated  data  curation  pipeline,  including  fetching,  cleaning,  and  ligand  decomposition  tailored  for  ChemPLAN-Net,  a  deep  learning  framework  designed  to  predict  protein-fragment  interactions  using  physicochemical  features.  This  pipeline  enables  efficient  training  dataset  generation  and  supports  the  systematic  training  ChemPLAN-Net  across  multiple  protein  families.  Based  on  fragment  predictions,  virtual  synthesis,  screening  and  fragment  linking  are  explored  to  develop  fragment  hits  into  candidate  full  ligands.One  critical  challenge  identified  during  this  process  is  the  accurate  prediction  of  fragment  poses  and  orientations  within  binding  pockets,  which  significantly  impacts  down  stream  fragment  elaboration.  ChemPLAN-Net,  despite  its  efficacy  in  fragment  identification,  lacks  the  ability  to  resolve  fragment  posing  and  fragment  optimization  (growing,  linking,  and  merging).  To  address  this  limitation,  we  introduce  FeatureDock,  a  Transformer  based  deep  learning  model  that  reframes  the  docking  problem  as  a  spatial  probability  density  prediction  task  within  a  more  coarsely  grained  space,  by  discretizing  the  protein  surface  and  learning  from  physicochemical  features  of  grid  points.  FeatureDock  introduces  an  interpretable  probability  envelope  over  potential  binding  regions,  based  on  which  compound  scoring  and  posing  estimation  is  possible.By  integrating  deep  learning  methodologies  with  protein  structures  and  physicochemical  features,  this  work  contributes  to  the  advancement  of  data-driven,  interpretable,  and  cost-efficient  drug  discovery  frameworks.  The  approaches  developed  herein  aim  to  improve  hit  identification,  reduce  design-cycle  latency,  and  ultimately  increase  the  success  rate  of  early-stage  drug  discovery  pipelines.
■590    ▼aSchool  code:  0262.
■650  4▼aChemistry
■650  4▼aPharmaceutical  sciences
■650  4▼aBiochemistry
■653    ▼aDeep  learning
■653    ▼aDrug  discovery
■653    ▼aFragment-based  drug  discovery
■653    ▼aProtein-ligand  interactions
■653    ▼aVirtual  screening
■690    ▼a0485
■690    ▼a0487
■690    ▼a0800
■690    ▼a0572
■71020▼aThe  University  of  Wisconsin  -  Madison▼bChemistry.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358430▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서