Acetylcholine receptor binding Ab:PrThr:Pt:Ser:Ord

Known as: Ацетилхолинового рецептора связывание Ат:PrThr:ТчкВрм:Сыв:Пор, Liant le récepteur de l'acétylcholine , Ac:Présence-Seuil:Temps ponctuel:Sérum:Ordinal, Acetylcholine receptor binding Antibody:Presence or Threshold:Point in time:Serum:Ordinal 
 
National Institutes of Health

Topic mentions per year

Topic mentions per year

1963-2017
0119632017

Papers overview

Semantic Scholar uses AI to extract papers important to this topic.
2017
2017
In this research report, the η-Nash equilibrium (η-NE) region of the two-user linear deterministic interference channel with… (More)
  • figure 1
  • figure 2
  • figure 3
  • figure 4
  • figure 5
Is this relevant?
2015
2015
  • нейронных сетей, И.В. Федюшкина
  • 2015
В настоящее время при создании новых лекарственных средств активно применяют различные методы компьютерного поиска, моделирования структур и конструирования фармакологически перспективных соединений de novo [1]. Их применение призвано существенно снизить стоимость, ускорить процессы их разработки и внедрения. Одной из важных задач является совмещение компьютерных оценок с традиционными величинами, используемыми экспериментаторами. Такой величиной является, например, константа связывания химических соединений с молекулой-мишенью, которая показывает эффективность их взаимодействия [2].В задачи работы входило создание системы для предсказания величин констант связывания стероидов на основе параметров, вычисленных из структур лигандов и при молекулярном моделировании их комплексов с белком-мишенью. Для поиска корреляции применялась оригинальная реализация искусственных нейронных сетей. Был осуществлен выбор нейронной сети и алгоритма её обучения. В работе применялась однонаправленная нейронная сеть с сигмоидальной функцией активации в скрытом слое и линейной функцией передачи в выходном слое, количество нейронов в скрытом слое было установлено равным 8. Обучение ИНС осуществлялось методом обратного распространения ошибки [3]. Минимизация ошибки между целевым и вычисленным значениями выполнялась по методу Левенберга-Марквардта [4]. С целью снижения ошибки переобучения в каждом случае начальная выборка была увеличена в 4 раза путем генерации новых точек в пределах погрешности (статистический бутстрап). Входные параметры представляли собой набор независимых дескрипторов лигандов (величин, описывающих свойства химических соединений) и энергетических параметров взаимодействия лигандов с белком (рассчитанных с помощью методов молекулярной динамики) [5, 6]. В качестве обучающей выборки в работе использовались данные о структуре 42 стероидов селективных модуляторов рецептора прогестерона, синтезированных в Институте органической химии им. Н.Д. Зелинского РАН, для которых была экспериментально определена величина константа связывания с рецептором прогестерона. Для более адекватной оценки предсказательной способности полученной модели была использована независимая тестовая выборка, состоящая из 8 соединений, для которых были выполнены предсказания по созданной модели, а затем эти вещества были синтезированы и экспериментально определена константа связывания. В результате работы была сконструирована нейросетевая модель для оценки констант связывания стероидных модуляторов рецептора прогестерона с хорошей предсказательной силой (коэффициент корреляции при скользящем контроле Q 2 =0,91, среднеквадратичная ошибка = 0,29, для тестовой выборки R 2 =0,77). Данная нейросетевая модель может быть использована для оценки константы связывания с достаточно высокой точностью. На основе последовательного алгоритма была реализована параллельная версия этой модели с использованием графических процессоров. В результате скорость расчетов возросла в 70 раз (расчеты проводились на гибридной вычислительной системе на базе серверной платформы HP Proliant G7 (AMD Opteron 6100) и вычислительной системы Tesla S2050 с использованием технологии NVIDIA CUDA 5.0). Характеристики отдельных функционалов модели представлены в таблице 1. Использование графических процессоров в соответствующей программной реализации позволит существенно увеличить размеры обрабатываемых данных при одновременном сокращении временных затрат. Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org 
Is this relevant?
2009
2009
While extensive foundational work exist for the functional aspects of Web service orchestrations, very little exists regarding… (More)
  • figure 1
  • figure 2
  • figure 3
  • figure 4
  • table 2
Is this relevant?
1999
1999
In this paper, using Sicilian and Australian rainfall intensity data, a comparison between different estimators (modified… (More)
  • table 1
  • figure 1
  • figure 2
  • table 2
  • figure 3
Is this relevant?
1963
1963
Rabbits were immunized with human or bovine albumin at different intervals after birth and antibody formation was studied by… (More)
  • table 1
  • table 2
  • figure 1
Is this relevant?