यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
यह शोधपत्र एक नवीन पूर्व-प्रशिक्षण विधि प्रस्तुत करता है जो प्रोटीन-लिगैंड अंतःक्रिया पूर्वानुमान की सटीकता में सुधार हेतु विलायक-निर्भर संरचनात्मक परिवर्तनों और बहु-सहसंबद्ध कार्यों के संयुक्त अधिगम पर विचार करती है। विभिन्न विलायक स्थितियों में उत्पन्न लिगैंड संरचनाओं के एक समूह को संवर्धित इनपुट के रूप में उपयोग करते हुए, हम संरचनात्मक लचीलेपन और पर्यावरणीय संदर्भ को सीखने के लिए एकीकृत करते हैं। हम विलायक-अपरिवर्तनीय आणविक निरूपण बनाने के लिए आणविक पुनर्निर्माण, अंतर-परमाण्विक दूरी पूर्वानुमान और विपरीत अधिगम को एकीकृत करते हैं। परिणामस्वरूप, हम बंधन बंधुता पूर्वानुमान (3.7% सुधार), पोज़बस्टर्स एस्टेक्स डॉकिंग बेंचमार्क (82% सफलता दर), और वर्चुअल स्क्रीनिंग (AUC 97.1%) में बेहतर प्रदर्शन प्रदर्शित करते हैं, 0.157 एंगस्ट्रॉम का मूल माध्य वर्ग विचलन (RMSD) प्राप्त करते हैं, जो परमाणु-स्तरीय बंधन तंत्रों की अंतर्दृष्टि प्रदान करता है।
Takeaways, Limitations
•
Takeaways:
◦
विलायक प्रभावों पर विचार करके प्रोटीन-लिगैंड अंतःक्रिया भविष्यवाणियों की सटीकता में सुधार करना।
◦
कई संबंधित कार्यों (जैसे, आणविक पुनर्निर्माण, अंतर-परमाणु दूरी की भविष्यवाणी) के एकीकृत शिक्षण के माध्यम से प्रदर्शन में सुधार।
◦
परमाणु-स्तर की सटीकता के साथ डॉकिंग परिणाम प्रदान करना और बंधन तंत्र में अंतर्दृष्टि प्रदान करना।
◦
संरचना-आधारित दवा डिजाइन की उन्नति में योगदान
•
Limitations:
◦
प्रस्तुत विधि की व्यापकता और विभिन्न प्रोटीन-लिगैंड प्रणालियों पर इसकी प्रयोज्यता निर्धारित करने के लिए आगे के अध्ययन की आवश्यकता है।
◦
कम्प्यूटेशनल लागत और प्रशिक्षण डेटा आकार पर निर्भरता का मूल्यांकन करने की आवश्यकता
◦
विशिष्ट बेंचमार्क डेटासेट के लिए परिणामों की सामान्यता को सत्यापित करने की आवश्यकता है।
