지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 저널정보
- Korean Institute of Information Scientists and Engineers Journal of KIISE Journal of KIISE Vol.48 No.2
- 발행연도
- 2021.02
- 수록면
- 234 - 242 (9page)
- DOI
- 10.5626/JOK.2021.48.2.234
이용수
DBpia Top 0.5%동일한 주제분류 기준으로최근 2년간 이용수 순으로 정렬했을 때
해당 논문이 위치하는 상위 비율을 의미합니다.
초록· 키워드
오류제보하기
신약 개발에 필요한 시간과 비용을 줄이기 위해서 많은 컴퓨터 기반 방법들이 연구되고 있다. 특히 최근 딥러닝 기법의 발전과 함께 후보 화합물의 화학식을 생성하기 위한 여러 가지 생성 모델(Generative model) 및 조건에 맞는 화학식을 생성하기 위한 강화학습 모델(Reinforcement learning model) 이 많이 연구되고 있다. 본 논문에서는 화합물과 단백질 간의 예측된 결합 친화력 정보를 이용한 강화학습 모델을 제시한다. 구체적으로, 본 논문에서 사용하고 있는 생성 모델은 Stack-RNN이며, 생성된 화학식이 특정한 화학적 특성을 가짐과 동시에 특정한 단백질과 높은 결합 친화력을 가지도록 Stack-RNN을 에이전트로 이용함으로써 강화학습을 구현한다. 본 논문에서는 소라페닙(Sorafenib), 수니티닙(Sunitinib), 다사티닙(Dasatinib)의 3가지 항암제들이 가지는 표적 단백질 정보를 이용하여 해당 항암제와 유사한 화합물의 화학식을 생성해 보았다.
목차
요약
Abstract
1. 서론
2. 본론
3. 실험 및 결과
4. 결론
References
참고문헌 (31)
참고문헌 신청
X. Lin, X. Li, and X. Lin, "A review on applications of computational methods in drug screening and design," Molecules, Vol. 25, p. 1375, 2020.
B. K. Shoichet, "Virtual screening of chemical libraries," Nature, Vol. 432, pp. 862-865, 2004.
T. Scior, A. Bender, G. Tresadern, J. L. Medina-Franco, K. Martínez-Mayorga, T. Langer, et al., "Recognizing pitfalls in virtual screening: a critical review," Journal of chemical information and modeling, Vol. 52, pp. 867-881, 2012.
T. Cheng, Q. Li, Z. Zhou, Y. Wang, and S. H. Bryant, "Structure-based virtual screening for drug discovery: a problem-centric review," The AAPS Journal, Vol. 14, pp. 133-141, 2012.
J. Reymond, R. van Deursen, L. Blum, and L. Ruddigkeit, "Chemical space as a source for new drugs. MedChemComm 1 (1): 30-38," ed, 2010.
B. K. Shoichet, "Virtual screening of chemical libraries," Nature, Vol. 432, pp. 862-865, 2004.
T. Scior, A. Bender, G. Tresadern, J. L. Medina-Franco, K. Martínez-Mayorga, T. Langer, et al., "Recognizing pitfalls in virtual screening: a critical review," Journal of chemical information and modeling, Vol. 52, pp. 867-881, 2012.
T. Cheng, Q. Li, Z. Zhou, Y. Wang, and S. H. Bryant, "Structure-based virtual screening for drug discovery: a problem-centric review," The AAPS Journal, Vol. 14, pp. 133-141, 2012.
J. Reymond, R. van Deursen, L. Blum, and L. Ruddigkeit, "Chemical space as a source for new drugs. MedChemComm 1 (1): 30-38," ed, 2010.
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
New Transformer Model to Generate Molecules for Drug Discovery
Journal of KIISE
2023 .11
-
생성모델 기반 강화학습 동향
한국통신학회 학술대회논문집
2025 .02
-
딥러닝 지원 게임엔진을 통한 강화학습
한국정보과학회 학술발표논문집
2020 .12
-
강화학습을 통한 계층적 RNN의 행동 인식 성능강화
한국컴퓨터정보학회 학술발표논문집
2018 .07
-
회귀분석과 딥러닝의 예측 정확성에 대한 비교 그리고 딥러닝 모델 최적화를 위한 기법들의 중요성에 대한 실증적 분석
한국전자통신학회 논문지
2023 .04
-
약물 재창출 가능성을 고려한 생성 및 예측 모델 기반 신약후보물질 발굴 방법론 개발
대한산업공학회 춘계공동학술대회 논문집
2021 .06
-
기계학습 및 기본 알고리즘 연구
한국컴퓨터정보학회 학술발표논문집
2018 .07
-
Prediction of Compound-Protein Interactions Using Deep Learning
Journal of KIISE
2019 .10
-
단백질 기능 예측 문제에서 시퀀스 패턴 추출을 위한 작은 CNN-RNN 접목 모델 연구
한국컴퓨터정보학회논문지
2022 .08
-
RNN을 이용한 범용 예측 시스템 구현
한국정보기술학회논문지
2018 .10
-
화합물의 골격구조를 활용한 Transformer 기반 새로운 분자 설계
디지털콘텐츠학회논문지
2025 .01
-
약물 및 단백질 데이터 처리 방법에 따른 약물-표적 결합 친화도 예측 모델 성능 비교
한국정보과학회 학술발표논문집
2024 .06
-
음성합성을 위한 딥러닝 기반 생성모델
정보과학회지
2021 .06
-
신약 설계를 위한 약물-단백질 결합력 예측 연구 동향
정보과학회지
2022 .03
-
Q-learning을 이용한 이동 로봇의 실시간 경로 계획
전기전자학회논문지
2020 .12
-
RNN 기반 시계열 데이터 보간 모델 학습을 위한 최적의 학습 데이터 생성 기법 연구
한국정보과학회 학술발표논문집
2022 .12
-
강화학습의 장기간 학습 결과 예측 및 학습 모델 교정 연구
한국통신학회 학술대회논문집
2023 .06
-
산업용 사물 인터넷을 위한 프라이버시 보존 연합학습 기반 심층 강화학습 모델
정보보호학회논문지
2023 .12
-
“강화학습” 특집을 내면서
정보과학회지
2019 .11
-
심층 강화학습을 활용한 산업디자인
제어로봇시스템학회 논문지
2018 .12
이 논문의 저자 정보
이 논문과 함께 이용한 논문
바이오화학 소재를 이용한 친환경 플라스틱 개발 및 응용
류훈
,
임준섭
,
유승현
한국고분자학회 학술대회 연구논문 초록집
2019
.10
나노기술을 이용한 약물전달시스템
박지원
BT NEWS
2014
.09
약물 관련 정보를 이용한 약물 부작용 예측
서수경
,
이태건
,
윤영미
한국정보기술학회논문지
2019
.12
물리 화학적 구조에 기초한 약물 독성 예측 방법
김재광
한국지능시스템학회 논문지
2019
.10
암 치료를 위한 항체치료제에 대한 고찰: 면역항암제
유한진
,
홍세영
,
권미지
외 3명
KSBB Journal
2020
.06
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2021-569-001489678