velikost textu

Výsledky projektu Adaptivní virtuální screening

Závěrečná práva

Původním záměr projektu počítal se zásadním využitím dříve navržené reprezentace VectorFp. V průběhu se nám nepodařilo navrhnout vhodný přístup k parametrizaci, nicméně dílčích výstupů se podařilo dosáhnout. Dále pak analýza výstupů vedla k následnému výzkumu, který se zaměřuje na problematické oblasti, na které jsme v průběhu řešení projektu narazili.

Jedním z důvodů neúspěšného snahy o parametrizaci se zdá být problém s testovacími daty. Při bližším zkoumání této oblasti jsme narazili na problém s reprodukovatelností výzkumu, jenž do značné míry postihuje výsledky v daném oboru. Poznatky a výsledky v této oblasti jsme publikovali na národní a mezinárodní konferenci.

Současně jsem se zaměřili na další průzkum fragmentů a analýzu jiných přístupů k využití fragmentů pro výpočet molekulární podobnosti. Výstupem této snahy byla publikace popisující možnosti optimalizace existující metody a návrh metody nové. Nová metoda využívá Bayesovského modelování a byla pojmenována BayeScreen. BayeScreen byl testován na dříve publikovaných datových sadách a úspěšně publikován na mezinárodní konferenci.

Jedním z hlavních výstupů projektu měla být právě implementace nástroje pro ligand-based virtual screening. Za tento nástroj lze označit BayeScreen, jeho publikace jakožto software bohužel nebyla přijata.
Před jeho implementací jsem provedli survey existujících, volně dostupných nástrojů pro virtuální screening. K našemu překvapení se ukázalo, že většina nástrojů vyžaduje expertní znalosti, či není rozumně použitelná v dané oblasti. Z tohoto důvodu jsem se rozhodli implementovat univerzálnější verzi nástroje. Cílem bylo poskytnout rozšiřitelný, uživatelsky přívětivý software, jenž by zároveň neomezoval expertní uživatele. Na základě těchto požadavků vznikla Viset, jenž byl prezentován na mezinárodní konferenci.

Celkově tak v rámci řešení projektu vznikal jedna nová metoda reprezentace, analýza optimalizace existující reprezentace, dva softwarové nástroje a jedna kolekce testovacích dat. Výstupy projektu byly publikovány v celkem 6 publikacích s poděkováním projektu.

Výsledky

▼▲Typ výsledku ▼▲Autor celku ▼▲Název celku
(Celkem 6 zázn.)
Krivák, Radoslav and Hoksza, David. P2RANK: Knowledge-Based Ligand Binding Site Prediction Using Aggregated Local Features. In Dediu, Adrian-Horia and Hernández-Quiroz, Francisco and Martín-Vide, Carlos and Rosenblueth, David A.. Algorithms for Computational Biology. : Springer International Publishing, 2015. s. 41–52. ISBN 978-3-319-21232-6. [Článek ve sborníku]
Škoda, Petr and Hoksza David. Exploration of topological torsion fingerprints. In Jun (Luke) Huan and Satoru Miyano and Amarda Shehu and Xiaohua Hu and BinMa and Sanguthevar Rajasekaran and Vijay K. Gombar and lng. Matthieu Schapranow and TIIhoi Yoo and Jiayu Zhou and Brian Chen and VinayPai and Brian Pierce . Bioinformatics and Biomedicine (BIBM), 2015 IEEE International Conference on. : IEEE, 2015. s. 822–828. [Článek ve sborníku]
Škoda Petr, Hoksza David. Benchmarking Platform for Ligand-Based Virtual Screening. In . BIBM Workshop on Health Informatics and Data Science (HI-DS). : IEEE, 2016. s. 1225–1232. ISBN 978-1-5090-1610-5. [Článek ve sborníku]
Hoksza David, Škoda Petr. Using Bayesian modeling on molecular fragments features for virtual screening. In . 2016 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB). : IEEE, 2016. s. – . ISBN 978-1-4673-9472-7. [Článek ve sborníku]
Krivák Radoslav, Hoksza David, Škoda Petr. Improving quality of ligand-binding site prediction with Bayesian optimization. In . 2017 IEEE International Conference on Bioinformatics and Biomedicine. : IEEE , 2017. s. 2278–2279. ISBN 978-1-5090-3049-1. [Článek ve sborníku]
Škoda Petr, Hoksza David, Jelínek Jan. Platform for ligand-based virtual screening integration. In . 2017 IEEE International Conference on Bioinformatics and Biomedicine. : IEEE , 2017. s. 2256–2259. ISBN 978-1-5090-3050-7. [Článek ve sborníku]