Interaction Profile(상호작용 프로필)란 무엇입니까?
Interaction Profile 상호작용 프로필 - The interaction profile of the parameters as per response surface was analyzed. [1] Compounds that meet the criteria were tested for their affinity and interaction profile with E6 and E7 proteins through the molecular docking method. [2] These inhibitors show good affinity and interaction profile of compound over the most effectively established inhibitor SB-3CT. [3] Further, interaction profile for fungal CYP51B-curcumin was compared with human CYP3A4-curcumin, as there are published evidence describing curcumin as an inhibitor of human CYPs. [4] Utilizing smDIMSA, we uncovered the interaction profile of EGFR with various membrane proteins and demonstrated the promiscuity of these interactions depending on the cancer cell line. [5] The SAR around the novel ligands reported allowed direct experimental characterization of the interaction profile of that pharmacophore with its binding domain in functional, human CB1R, thus offering guidance for accessing subsequent-generation hCB1R allosteric modulators as potential therapeutics. [6] Further, we confirmed the stability of our inhibitor-complex and interaction profile through the Molecular dynamics simulation study. [7] In this study, molecular docking was done to analyze the docking scores as the representation of binding affinity and the interaction profiles of propolis compounds toward ACE-2. [8] Following this top 10 molecules in terms of binding affinity were selected and the interaction profile of their corresponding docked files was generated. [9] We employed different docking strategies (PATCHDOCK and ZDOCK) followed by a double-step refinement process (FIBERDOCK) to rank our peptides, followed by stability analysis/evaluation of the interaction profile of the best docking predictions using a 500 ns molecular dynamics (MD) simulation, and a further binding affinity analysis by molecular mechanics with generalized Born and surface area (MM/GBSA) method. [10] However, by careful analysis of their interaction profiles, only ZINC00941342 which formed hydrogen bonds with Met769, which is known as an EGFR key residue. [11] The atomic details of aspartame's interaction profile with LOX-1 were revealed through Saturation Transfer Difference (STD) NMR (Nuclear Magnetic Resonance). [12] In the current work, we investigated the interaction profile of CAR with sphingomyelin (SM) lipids, which plays key role in different cellular functions, particularly important in cancer. [13] Further, we applied computational techniques to investigate changes and associations between interaction profiles and developmental outcomes. [14] We have investigated the selective binding-interaction profile of a natural phytophenolic compound Curcumin with native MYC G-quadruplex by conducting an array of biophysical experiments and in silico based Molecular Docking and Molecular Dynamic (MDs) simulation studies. [15] Numerous analytical, spectroscopic, separation and electrochemical techniques have been applied to elucidate the interaction profile in a cyclodextrin-drug complex. [16] Using these varying timescales, we create “interaction profiles” to represent an individual’s behavioral dynamics. [17] Subtle differences in interaction profile have been noted, including interactions with the W74 and W72 residues. [18] Chromosomal conformation mappings can address this knowledge gap by charting the interaction profiles of risk-associated regulatory variants with target genes. [19] The analysis of the interaction profile of this compound with PlMCS showed its effectiveness in terms of specificity and stability when compared to the substrate (propionyl-CoA) of the enzyme. [20] Interaction profiles with crucial functional protein domains and in-silico structural biology analysis revealed that Glycyrrhizin, Swertiamarin, and Laccaic acid displayed better binding affinity than the classical anti-TB drugs. [21] Finally, by comparing the interaction profiles between core clock and output circadian genes, we show that core clock interactomes are more dynamic compared to output circadian genes. [22] Monte-Carlo simulations have been extensively used to calculate e-beam scattering and interaction profiles in solid materials (e. [23] Results indicated that active ingredient were Azadirachtin2D, Longicyclene 2D, Stearic acid 2D, Neohesperidin, Hydroxy propyl methyl cellulose and Vilasinin 2 D exhibited the best docking scores and interaction profiles within the active site of Fusarium spp. [24] We introduce an efficient method to infer both the entities interaction network and its evolution according to the temporal distance separating interacting entities; together, they form the interaction profile. [25] UIFlex is a web-based browser plugin that enables users to define their interaction profile. [26] The interaction profile of these proteins in the docked state with each other was also generated, shedding light on their finer details. [27] We evaluated the interaction profiles of aerial part and seed essential oils of Foeniculum vulgare, anethole, and limonene with DNA using in vitro and silico methods. [28]반응 표면에 따른 매개변수의 상호작용 프로파일이 분석되었습니다. [1] 기준을 충족하는 화합물은 분자 도킹 방법을 통해 E6 및 E7 단백질과의 친화도 및 상호 작용 프로필에 대해 테스트되었습니다. [2] 이들 억제제는 가장 효과적으로 확립된 억제제 SB-3CT에 비해 화합물의 우수한 친화도 및 상호작용 프로파일을 나타낸다. [3] 또한, 커큐민이 인간 CYP의 억제제라는 발표된 증거가 있기 때문에 곰팡이 CYP51B-커큐민에 대한 상호작용 프로필을 인간 CYP3A4-커큐민과 비교했습니다. [4] smDIMSA를 활용하여 우리는 다양한 막 단백질과 EGFR의 상호 작용 프로파일을 발견하고 암세포주에 따라 이러한 상호 작용의 난잡함을 입증했습니다. [5] 보고된 신규 리간드 주변의 SAR은 기능적 인간 CB1R에서 결합 도메인과 약전단의 상호작용 프로파일의 직접적인 실험적 특성화를 허용하여 잠재적 치료제로서 후속 세대 hCB1R 알로스테릭 조절제에 접근하기 위한 지침을 제공합니다. [6] 또한 분자 역학 시뮬레이션 연구를 통해 억제제-복합체 및 상호 작용 프로파일의 안정성을 확인했습니다. [7] 본 연구에서는 ACE-2에 대한 프로폴리스 화합물의 결합 친화도 및 상호작용 프로파일을 나타내는 도킹 점수를 분석하기 위해 분자 도킹을 수행했습니다. [8] 결합 친화도 측면에서 이 상위 10개 분자를 선택하고 해당 도킹 파일의 상호 작용 프로필을 생성했습니다. [9] 우리는 서로 다른 도킹 전략(PATCHDOCK 및 ZDOCK)을 사용한 후 이중 단계 정제 프로세스(FIBERDOCK)를 사용하여 펩티드의 순위를 매긴 다음 안정성 분석/500ns 분자 역학(MD)을 사용하여 최상의 도킹 예측의 상호 작용 프로필 평가를 수행했습니다. 시뮬레이션 및 일반화된 Born 및 표면적(MM/GBSA) 방법을 사용한 분자 역학에 의한 추가 결합 친화도 분석. [10] 그러나 상호작용 프로파일을 주의 깊게 분석한 결과 EGFR 핵심 잔기로 알려진 Met769와 수소 결합을 형성한 ZINC00941342만이 존재했다. [11] 아스파탐과 LOX-1의 상호작용 프로파일에 대한 원자 세부사항은 STD(Saturation Transfer Difference) NMR(Nuclear Magnetic Resonance)을 통해 밝혀졌습니다. [12] 현재 작업에서 우리는 CAR과 스핑고미엘린(SM) 지질의 상호작용 프로필을 조사했는데, 이는 특히 암에서 중요한 다양한 세포 기능에서 핵심적인 역할을 합니다. [13] 또한 상호 작용 프로필과 발달 결과 간의 변화와 연관성을 조사하기 위해 계산 기술을 적용했습니다. [14] 우리는 일련의 생물물리학적 실험과 인실리코 기반 분자 도킹 및 분자 역학(MD) 시뮬레이션 연구를 수행하여 천연 식물 페놀 화합물인 커큐민과 천연 MYC G-quadruplex의 선택적 결합-상호작용 프로필을 조사했습니다. [15] 사이클로덱스트린-약물 복합체의 상호작용 프로파일을 설명하기 위해 수많은 분석, 분광, 분리 및 전기화학적 기술이 적용되었습니다. [16] 이러한 다양한 시간 척도를 사용하여 개인의 행동 역학을 나타내는 "상호작용 프로필"을 만듭니다. [17] W74 및 W72 잔기와의 상호작용을 포함하여 상호작용 프로파일의 미묘한 차이가 확인되었습니다. [18] 염색체 형태 매핑은 위험 관련 조절 변이체와 표적 유전자의 상호 작용 프로필을 도표화하여 이러한 지식 격차를 해결할 수 있습니다. [19] 이 화합물과 PlMCS의 상호작용 프로파일 분석은 효소의 기질(프로피오닐-CoA)과 비교할 때 특이성 및 안정성 측면에서 그 효과를 보여주었습니다. [20] 중요한 기능적 단백질 도메인과 in-silico 구조 생물학 분석과의 상호 작용 프로필은 Glycyrrhizin, Swertiamarin 및 Laccaic acid가 기존의 항결핵제보다 더 나은 결합 친화도를 나타내는 것으로 나타났습니다. [21] 마지막으로 코어 클록과 출력 24시간 주기 유전자 사이의 상호 작용 프로파일을 비교함으로써 코어 클록 인터랙션이 출력 24시간 유전자에 비해 더 역동적임을 보여줍니다. [22] Monte-Carlo 시뮬레이션은 전자빔 산란 및 고체 물질(예: [23] 결과에 따르면 활성 성분은 Azadirachtin2D, Longicyclene 2D, Stearic acid 2D, Neohesperidin, Hydroxy propyl methyl cellulose 및 Vilasinin 2D가 Fusarium spp. [24] 우리는 상호 작용하는 엔티티를 분리하는 시간적 거리에 따라 엔티티 상호 작용 네트워크와 진화를 모두 추론하는 효율적인 방법을 소개합니다. 함께 상호 작용 프로필을 형성합니다. [25] UIFlex는 사용자가 상호 작용 프로필을 정의할 수 있도록 하는 웹 기반 브라우저 플러그인입니다. [26] 도킹된 상태에서 이러한 단백질의 상호 작용 프로필도 생성되어 더 미세한 세부 사항을 밝힙니다. [27] 우리는 시험관 및 silico 방법을 사용하여 Foeniculum vulgare, anethole 및 limonene의 공중 부분 및 종자 에센셜 오일과 DNA의 상호 작용 프로파일을 평가했습니다. [28]
disease semantic similarity 질병 의미 유사성
And, Gaussian Interaction Profile (GIP) kernels of miRNAs and diseases are added to miRNA functional similarity network and disease semantic similarity network to augment kernel similarities. [1] We construct features between lncRNA and disease pairs by utilizing the disease semantic similarity, lncRNA sequence similarity, and Gaussian interaction profile kernel similarities of lncRNAs and diseases. [2] The nodes of the graphs are represented by the disease semantic similarity, miRNA functional similarity and Gaussian interaction profile kernel similarity. [3] Specially, GATNNCDA first integrates disease semantic similarity, circRNA functional similarity and the respective Gaussian Interaction Profile (GIP) kernel similarities. [4] SVAEMDA integrates disease semantic similarity, miRNA functional similarity and respective Gaussian interaction profile (GIP) similarities. [5] Firstly, we fuse the multi-source information of disease semantic similarity, disease and circRNA Gaussian interaction profile kernel similarity, and then use GAN to extract the hidden features of fusion information objectively and effectively in the way of confrontation learning, and finally send them to Logistic Model Tree (LMT) classifier for accurate prediction. [6]그리고 miRNA 및 질병의 GIP(Gaussian Interaction Profile) 커널을 miRNA 기능적 유사성 네트워크 및 질병 의미론적 유사성 네트워크에 추가하여 커널 유사성을 높입니다. [1] 우리는 lncRNA와 질병의 질병 의미 유사성, lncRNA 서열 유사성, 가우스 상호작용 프로파일 커널 유사성을 활용하여 lncRNA와 질병 쌍 사이의 특징을 구성합니다. [2] nan [3] nan [4] nan [5] nan [6]
similarity network fusion 유사성 네트워크 융합
We integrated miRNA functional similarity and Gaussian interaction profile kernel similarity by similarity network fusion to obtain miRNA similarity. [1] In order to effectively combine different disease and miRNA similarity data, we applied similarity network fusion algorithm to obtain integrated disease similarity (composed of disease functional similarity, disease semantic similarity and disease Gaussian interaction profile kernel similarity) and integrated miRNA similarity (composed of miRNA functional similarity, miRNA sequence similarity and miRNA Gaussian interaction profile kernel similarity). [2] The virus network is constructed based on oligonucleotide frequency measurement, and the host network is constructed by integrating oligonucleotide frequency similarity and Gaussian interaction profile kernel similarity through similarity network fusion. [3]miRNA 유사성을 얻기 위해 유사성 네트워크 융합을 통해 miRNA 기능적 유사성과 가우스 상호작용 프로파일 커널 유사성을 통합했습니다. [1] 서로 다른 질병 및 miRNA 유사성 데이터를 효과적으로 결합하기 위해 통합 질병 유사성(질병 기능적 유사성, 질병 의미론적 유사성 및 질병 가우스 상호작용 프로파일 커널 유사성으로 구성) 및 통합 miRNA 유사성(miRNA 기능적 유사성으로 구성)을 얻기 위해 유사성 네트워크 융합 알고리즘을 적용했습니다. 유사성, miRNA 서열 유사성 및 miRNA 가우스 상호작용 프로파일 커널 유사성). [2] nan [3]
similarity disease semantic 유사성 질병 의미론적
Here, based on heterogeneous networks built on the information of known miRNA–disease associations, miRNA function similarity, disease semantic similarity, and Gaussian interaction profile kernel similarity for miRNAs and diseases, we developed a computing model of biased random walk with restart on multilayer heterogeneous networks for miRNA–disease association prediction (BRWRMHMDA) through enforcing degree-based biased random walk with restart (BRWR). [1] We then construct a microbe-disease heterogeneous network (MDHN) by integrating known associations and multiple similarities (including Gaussian interaction profile kernel similarity, microbe function similarity, disease semantic similarity and disease-symptom similarity). [2]여기에서 알려진 miRNA-질병 연관성, miRNA 기능 유사성, 질병 의미 유사성, miRNA 및 질병에 대한 가우스 상호작용 프로파일 커널 유사성에 대한 정보를 기반으로 구축된 이종 네트워크를 기반으로, 우리는 다층 이기종에서 다시 시작하여 편향된 랜덤 워크의 컴퓨팅 모델을 개발했습니다. BRWR(degree-based biased random walk with restart) 시행을 통해 miRNA-질병 연관 예측(BRWRMHMDA)을 위한 네트워크. [1] 그런 다음 알려진 연관성과 다중 유사성(가우스 상호작용 프로필 커널 유사성, 미생물 기능 유사성, 질병 의미론적 유사성 및 질병-증상 유사성 포함)을 통합하여 미생물-질병 이종 네트워크(MDHN)를 구성합니다. [2]
Gaussian Interaction Profile 가우스 상호 작용 프로필
Specifically, the semantic similarity of diseases, the gaussian interaction profile kernel similarity of the four biological information of miRNA, disease, long non-coding RNA (lncRNA) and environmental factors (EFs), and the similarities of miRNAs are fused together. [1] In GCRFLDA, the Gaussian interaction profile kernels similarity and cosine similarity were fused as side information of lncRNA and disease nodes. [2] In MSBMFHMDA, a microbe multiple similarities matrix was constructed first based on the Gaussian interaction profile kernel similarity and cosine similarity for microbes. [3] Integrated RBP similarities were calculated based on RBP regulating similarity, and RBP Gaussian interaction profile (GIP) kernel similarity, while integrated AS event similarities were computed based on AS event module similarity and AS event GIP kernel similarity. [4] We integrated miRNA functional similarity and Gaussian interaction profile kernel similarity by similarity network fusion to obtain miRNA similarity. [5] At the same time, Gaussian interaction profile kernel is added to our method, which increase the network similarity between lncRNA and disease. [6] In order to effectively combine different disease and miRNA similarity data, we applied similarity network fusion algorithm to obtain integrated disease similarity (composed of disease functional similarity, disease semantic similarity and disease Gaussian interaction profile kernel similarity) and integrated miRNA similarity (composed of miRNA functional similarity, miRNA sequence similarity and miRNA Gaussian interaction profile kernel similarity). [7] The microbe Gaussian Interaction Profile (GIP) kernel similarity is computed based on known microbe-drug associations. [8] In HMDAKATZ, the similarity between microbes is computed using the Gaussian Interaction Profile (GIP) kernel based on known human microbe-drug associations. [9] Here, based on heterogeneous networks built on the information of known miRNA–disease associations, miRNA function similarity, disease semantic similarity, and Gaussian interaction profile kernel similarity for miRNAs and diseases, we developed a computing model of biased random walk with restart on multilayer heterogeneous networks for miRNA–disease association prediction (BRWRMHMDA) through enforcing degree-based biased random walk with restart (BRWR). [10] And, Gaussian Interaction Profile (GIP) kernels of miRNAs and diseases are added to miRNA functional similarity network and disease semantic similarity network to augment kernel similarities. [11] In our method, the Gaussian interaction profile (GIP) kernel similarities of circRNA and miRNA are calculated based on the known circRNA-miRNA associations, respectively. [12] The receptor similarity network is constructed by the Gaussian interaction profile kernel similarity and the receptor sequence similarity. [13] The microbe similarity is computed from Gaussian Interaction Profile (GIP) kernel similarity based on the known microbe-disease associations. [14] In addition, the negative sampling method is employed to reduce the effect of the noise samples, which selects negative samples based on circRNAs expression profile similarity and Gaussian Interaction Profile kernel similarity. [15] We construct features between lncRNA and disease pairs by utilizing the disease semantic similarity, lncRNA sequence similarity, and Gaussian interaction profile kernel similarities of lncRNAs and diseases. [16] This model first fused the natural language features of the circRNA sequence and the features of disease semantics, circRNA and disease Gaussian interaction profile kernel, and then used all circRNA-disease pairs to pre-train the GAN network, and fine-tune the network parameters through labeled samples. [17] The addition of Gaussian interaction profile (GIP) kernel can increase the network similarity. [18] We then construct a microbe-disease heterogeneous network (MDHN) by integrating known associations and multiple similarities (including Gaussian interaction profile kernel similarity, microbe function similarity, disease semantic similarity and disease-symptom similarity). [19] The nodes of the graphs are represented by the disease semantic similarity, miRNA functional similarity and Gaussian interaction profile kernel similarity. [20] Similarity networks for lncRNAs and miRNAs were calculated and integrated with Gaussian interaction profile (GIP) kernel similarity. [21] The model first fuses circRNA natural language sequence information, disease semantic information, and circRNA and disease Gaussian interaction profile (GIP) kernel similarity information into a unified matrix, then uses NMF algorithm to obtain its key features, and finally uses randomization-based PIL to search for the global optimal solution to accurately predict the association between circRNA and disease. [22] Specially, GATNNCDA first integrates disease semantic similarity, circRNA functional similarity and the respective Gaussian Interaction Profile (GIP) kernel similarities. [23] In KRLSMDA, the miRNA functional similarity, the miRNA sequence similarity and the Gaussian Interaction Profile (GIP) kernel similarity are integrated into the comprehensive miRNA similarity. [24] Methods In this work, we develop a deep gated recurrent units model to predict potential drug–disease interactions using comprehensive similarity measures and Gaussian interaction profile kernel. [25] The model introduces the Gaussian interaction profile kernel similarity for drugs and diseases, and combines them with the structural similarity of drugs and the semantic similarity of diseases to construct the feature space jointly. [26] SVAEMDA integrates disease semantic similarity, miRNA functional similarity and respective Gaussian interaction profile (GIP) similarities. [27] Specifically, we first regard the circRNA-disease association prediction problem as the system recommendation problem, and design a series of metagraphs according to the heterogeneous biological networks; then extract the semantic information of the disease and the Gaussian interaction profile kernel (GIPK) similarity of circRNA and disease as network attributes; finally, the iterative search of the metagraph recommendation algorithm is used to calculate the scores of the circRNA-disease pair. [28] LGDLDA obtains disease similarity matrix by calculating the disease ontology, the disease-miRNA association matrix, and Gaussian interaction profile kernel similarity. [29] We obtain gene similarity matrix by calculating the lncRNA-gene association matrix and the gene-disease association matrix, and we obtain disease similarity matrix by calculating the disease ontology, the disease-miRNA association matrix, and Gaussian interaction profile kernel similarity. [30] More specifically, we calculate the similarity of disease based on Gaussian interaction profile kernel and disease semantic information, and calculate the similarity of lncRNA based on Gaussian interaction profile kernel. [31] In this study, we propose a method to predict new DDIs, namely DDIGIP, which is based on Gaussian Interaction Profile (GIP) kernel on the drug-drug interaction profiles and the Regularized Least Squares (RLS) classifier. [32] Firstly, we fuse the multi-source information of disease semantic similarity, disease and circRNA Gaussian interaction profile kernel similarity, and then use GAN to extract the hidden features of fusion information objectively and effectively in the way of confrontation learning, and finally send them to Logistic Model Tree (LMT) classifier for accurate prediction. [33] The virus network is constructed based on oligonucleotide frequency measurement, and the host network is constructed by integrating oligonucleotide frequency similarity and Gaussian interaction profile kernel similarity through similarity network fusion. [34] First, the integrated similarity of diseases and the integrated similarity of miRNAs were calculated by combining the semantic similarity and Gaussian interaction profile kernel (GIPK) similarity of diseases, the functional similarity and GIPK similarity of miRNAs, respectively. [35]구체적으로, 질병의 의미론적 유사성, miRNA, 질병, 긴 비암호화 RNA(lncRNA) 및 환경 요인(EF)의 4가지 생물학적 정보의 가우스 상호작용 프로파일 커널 유사성 및 miRNA의 유사성이 함께 융합됩니다. [1] GCRFLDA에서 Gaussian 상호 작용 프로파일 커널 유사성과 코사인 유사성은 lncRNA 및 질병 노드의 부가 정보로 융합되었습니다. [2] nan [3] nan [4] miRNA 유사성을 얻기 위해 유사성 네트워크 융합을 통해 miRNA 기능적 유사성과 가우스 상호작용 프로파일 커널 유사성을 통합했습니다. [5] nan [6] 서로 다른 질병 및 miRNA 유사성 데이터를 효과적으로 결합하기 위해 통합 질병 유사성(질병 기능적 유사성, 질병 의미론적 유사성 및 질병 가우스 상호작용 프로파일 커널 유사성으로 구성) 및 통합 miRNA 유사성(miRNA 기능적 유사성으로 구성)을 얻기 위해 유사성 네트워크 융합 알고리즘을 적용했습니다. 유사성, miRNA 서열 유사성 및 miRNA 가우스 상호작용 프로파일 커널 유사성). [7] nan [8] nan [9] 여기에서 알려진 miRNA-질병 연관성, miRNA 기능 유사성, 질병 의미 유사성, miRNA 및 질병에 대한 가우스 상호작용 프로파일 커널 유사성에 대한 정보를 기반으로 구축된 이종 네트워크를 기반으로, 우리는 다층 이기종에서 다시 시작하여 편향된 랜덤 워크의 컴퓨팅 모델을 개발했습니다. BRWR(degree-based biased random walk with restart) 시행을 통해 miRNA-질병 연관 예측(BRWRMHMDA)을 위한 네트워크. [10] 그리고 miRNA 및 질병의 GIP(Gaussian Interaction Profile) 커널을 miRNA 기능적 유사성 네트워크 및 질병 의미론적 유사성 네트워크에 추가하여 커널 유사성을 높입니다. [11] nan [12] nan [13] nan [14] nan [15] 우리는 lncRNA와 질병의 질병 의미 유사성, lncRNA 서열 유사성, 가우스 상호작용 프로파일 커널 유사성을 활용하여 lncRNA와 질병 쌍 사이의 특징을 구성합니다. [16] nan [17] nan [18] 그런 다음 알려진 연관성과 다중 유사성(가우스 상호작용 프로필 커널 유사성, 미생물 기능 유사성, 질병 의미론적 유사성 및 질병-증상 유사성 포함)을 통합하여 미생물-질병 이종 네트워크(MDHN)를 구성합니다. [19] nan [20] nan [21] nan [22] nan [23] nan [24] nan [25] nan [26] nan [27] nan [28] nan [29] nan [30] nan [31] nan [32] nan [33] nan [34] nan [35]
Protein Interaction Profile 단백질 상호작용 프로필
This review addresses recent achievements regarding chemically modified GAG as well as collagen/GAG-based coatings and hydrogels including (i) chemical functionalization strategies for native GAG, (ii) GAG-based biomaterial strategies for controlling cellular responses, (iii) (bio)chemical methods for characterization and iv) protein interaction profiles and attained tissue regeneration in vitro and in vivo. [1] We identified 9 common proteins expressed at three different time levels (6, 18, 24 h) and evaluated their protein–protein interaction profiles with the STRING tool. [2] In the present study, melanoma candidate genes were identified by analysis of the common network from cancer type-specific RNA-Seq co-expression data and protein–protein interaction profiles. [3] Protein interaction profile sequencing (PIP-seq) is a genome-wide method that uses structure-specific ribonucleases (RNases) to identify regions of double-stranded and single-stranded RNA as well as regions that are protected from these RNases, which represent sites of RBP binding. [4] The CysLTR1 L118F point mutation induced significant changes in the mouse morphology and behavior, which might be mediated by alterations of its protein interaction profile. [5] Analysis of the satellite interactome, combined with subdiffraction imaging, reveals the existence of multiple unique microscopically resolvable satellite populations that display distinct protein interaction profiles. [6]이 리뷰는 (i) 천연 GAG에 대한 화학적 기능화 전략, (ii) 세포 반응을 제어하기 위한 GAG 기반 생체 재료 전략, (iii) (바이오) 특성화를 위한 화학적 방법 및 iv) 단백질 상호작용 프로파일 및 시험관내 및 생체내 달성된 조직 재생. [1] 우리는 3가지 다른 시간 수준(6, 18, 24시간)에서 발현되는 9개의 공통 단백질을 확인하고 STRING 도구를 사용하여 단백질-단백질 상호 작용 프로필을 평가했습니다. [2] nan [3] nan [4] nan [5] nan [6]
Drug Interaction Profile 약물 상호 작용 프로필
The DAA regimen was selected based on the genotype/subtypes, patient characteristics, potential drug-drug interaction profiles, and health insurance reimbursement criteria. [1] New treatment options that are not only highly effective but also offer excellent tolerability, a high barrier to resistance, favorable drug interaction profiles, and the potential for less frequent dosing remain the focus of much clinical research (7, 9). [2] Finally, an illicit substance can be contaminated or substituted for another one during its manufacture, leading to differences in adverse events, adverse event severity, or the drug interaction profile. [3] Further in vitro and in vivo experiments are required for CYP isoenzyme activity assessment and the establishment of herb-drug interaction profile for these traditional medicinal resin extracts. [4] The ideal antifungal, however, in regard to spectrum of activity, pharmacokinetic/pharmacodynamic properties, development of resistance, safety, and drug interaction profile remains elusive. [5]DAA 요법은 유전자형/아형, 환자 특성, 잠재적인 약물-약물 상호 작용 프로필 및 건강 보험 상환 기준을 기반으로 선택되었습니다. [1] 매우 효과적일 뿐만 아니라 우수한 내약성, 높은 내성 장벽, 유리한 약물 상호 작용 프로필 및 더 적은 빈도의 투여 가능성을 제공하는 새로운 치료 옵션은 많은 임상 연구의 초점으로 남아 있습니다(7, 9). [2] nan [3] nan [4] nan [5]
Ligand Interaction Profile 리간드 상호작용 프로필
Molecular docking study on the most active derivatives revealed a good protein–ligand interaction profile against the corresponding target with key interactions, including hydrogen bonding, hydrophobic, and π-anion interactions. [1] Protein-Ligand Interaction Profiler (PLIP) web server was used to analyze the interactions formed between drugs and SARS-CoV-2 PLpro. [2] Pemodelan interaksi senyawa dari daun kelor terhadap protein target hasil prediksi dilakukan dengan analisis penambatan molekul menggunakan perangkat lunak Autodock Vina yang kemudian divisualisasikan menggunakan Protein-Ligand Interaction Profiler (PLIP). [3] PLIP, the protein–ligand interaction profiler, detects and visualises these interactions and provides data in formats suitable for further processing. [4] The tool also incorporates a feature to perform automated In Silico modelling for the compounds and the predicted drug targets to uncover their protein-ligand interaction profiles. [5]가장 활성이 높은 유도체에 대한 분자 도킹 연구는 수소 결합, 소수성 및 π-음이온 상호 작용을 비롯한 주요 상호 작용이 있는 해당 표적에 대한 우수한 단백질-리간드 상호 작용 프로필을 보여주었습니다. [1] PLIP(Protein-Ligand Interaction Profiler) 웹 서버를 사용하여 약물과 SARS-CoV-2 PLpro 사이에 형성된 상호 작용을 분석했습니다. [2] nan [3] nan [4] nan [5]
Genetic Interaction Profile 유전적 상호작용 프로필
To analyze the results, we developed RECAP, a strategy that validates genetic interaction profiles by comparison with gene co-citation frequency, and identified links between 1471 genes and 117 biological processes. [1] OBJECTIVES/GOALS: To develop (1) a targeted CRISPR-Cas9 chemical-genetic screen approach, and (2) a computational method to predict drug mode-of-action from chemical-genetic interaction profiles. [2] We describe statistical and heuristic approaches to assign small molecule mechanism of action from the resulting chemical-genetic interaction profiles. [3] They propose that alleles with desirable properties (including DNA trapping) can show genetic interactions distinct from those shown by loss-of-function alleles, and that the resulting genetic interaction profiles can then be leveraged to identify small molecules with the same desirable properties (i. [4]결과를 분석하기 위해 우리는 유전자 동시 인용 빈도와 비교하여 유전적 상호 작용 프로파일을 검증하는 전략인 RECAP를 개발하고 1471개의 유전자와 117개의 생물학적 과정 사이의 연관성을 확인했습니다. [1] 목적/목표: (1) 표적화된 CRISPR-Cas9 화학-유전적 스크린 접근법, (2) 화학적-유전적 상호작용 프로파일로부터 약물 작용 기전을 예측하기 위한 컴퓨터 방법 개발. [2] nan [3] nan [4]
Chromatin Interaction Profile 염색질 상호작용 프로필
Determining the IGF1-involved genome-wide chromatin interaction profile at different growth stages not only is important for understanding IGF1 transcriptional regulation but also provides a representation of genome-wide chromatin transformation during development. [1] We leveraged quantitative trait loci and chromatin interaction profiles to identify schizophrenia risk variants assigned to the genes that represent different transcriptomic features. [2] 82 × 10−7) including information about brain chromatin interaction profiles (UBE2E3 in male neuron p = 1. [3] The single-cell information of spatial positioning of genomic loci can thus be integrated with functional genomic and epigenomic features, such as gene activity, epigenetic states, or cell population averaged chromatin interaction profiles obtained using chromosome conformation capture methods. [4]다양한 성장 단계에서 IGF1 관련 게놈 전체 염색질 상호작용 프로파일을 결정하는 것은 IGF1 전사 조절을 이해하는 데 중요할 뿐만 아니라 개발 중 게놈 전체 염색질 변환의 표현을 제공합니다. [1] 우리는 다른 transcriptomic 기능을 나타내는 유전자에 할당된 정신 분열증 위험 변이를 식별하기 위해 정량적 특성 유전자좌 및 염색질 상호 작용 프로필을 활용했습니다. [2] nan [3] nan [4]
Dna Interaction Profile DNA 상호 작용 프로필
These motions involved changes in the DNA interaction profiles of clusters of epigenetic regulatory aminoacids in the tails. [1] We further analyzed the 3D DNA interaction profile by the publicly accessible Hi-C database. [2] Such sets are most often defined based on experimental data (expression or protein-DNA interaction profiles). [3]이러한 움직임은 꼬리에 있는 후성적 조절 아미노산 클러스터의 DNA 상호 작용 프로필의 변화와 관련이 있습니다. [1] 우리는 공개적으로 액세스 가능한 Hi-C 데이터베이스에 의해 3D DNA 상호 작용 프로파일을 추가로 분석했습니다. [2] nan [3]
Different Interaction Profile
Interestingly, lemborexant displayed a different interaction profile at OX1R/OX2R (appKb=13nM/0. [1] However, despite high structural similarity, biological studies indicate that DDG and GML are not functionally equivalent and it has been speculated that the two compounds might have different interaction profiles with phospholipid membranes. [2]흥미롭게도 렘보렉산트는 OX1R/OX2R에서 다른 상호작용 프로필을 나타냈다(appKb=13nM/0. [1] nan [2]
Consistent Interaction Profile 일관된 상호 작용 프로필
Finally, the stability of this compound is complex with the two proteins validated through molecular dynamics (MD) simulation, they displayed stable trajectory and molecular properties with consistent interaction profile in molecular dynamics simulations. [1] Finally, the stability of the both compounds complexed with Mpro was validated through molecular dynamics (MD) simulation, they displayed stable trajectory (RMSD, RMSF) and molecular properties with consistent interaction profile in molecular dynamics simulations, moreover, Silybin could form more stable complex with Mpro than Silychristin. [2]마지막으로, 이 화합물의 안정성은 분자 역학(MD) 시뮬레이션을 통해 검증된 두 단백질과 복잡하며 분자 역학 시뮬레이션에서 일관된 상호 작용 프로필과 함께 안정적인 궤적 및 분자 특성을 나타냅니다. [1] 마지막으로 Mpro와 복합된 두 화합물의 안정성은 분자 역학(MD) 시뮬레이션을 통해 검증되었으며 분자 역학 시뮬레이션에서 일관된 상호 작용 프로필과 함께 안정적인 궤적(RMSD, RMSF) 및 분자 특성을 나타냈으며, 더욱이 실리빈은 보다 안정적인 복합물을 형성할 수 있었습니다. 실리크리스틴보다 엠프로로. [2]
Wave Interaction Profile 웨이브 상호 작용 프로필
All established closed-form wave solutions include special functional parameter solutions, as well as hyperbolic trigonometric function solutions, trigonometric function solutions, dark-bright solitons, bell-shaped profiles, periodic oscillating wave profiles, combo solitons, singular solitons, wave-wave interaction profiles, and various dynamical wave structures, which we present for the first time in this research. [1] The physical behaviors of the gained solutions illustrate the dynamical wave structures of multiple solitons, curved-shaped wave-wave interaction profiles, oscillating periodic solitary waves, doubly-solitons, kink-type waves, W-shaped solitons, and novel solitary waves solutions through 3D plots by selecting the suitable values for arbitrary functional parameters and free parameters based on numerical simulation. [2]확립된 모든 폐쇄형 파동 솔루션에는 특수 기능 매개변수 솔루션은 물론 쌍곡 삼각 함수 솔루션, 삼각 함수 솔루션, 어둡고 밝은 솔리톤, 종 모양 프로파일, 주기적 진동 파동 프로파일, 콤보 솔리톤, 단일 솔리톤, 파동-파 상호 작용이 포함됩니다. 프로파일 및 다양한 동적 파동 구조를 본 연구에서 처음으로 제시합니다. [1] 얻은 솔루션의 물리적 거동은 다중 솔리톤의 동적 파동 구조, 곡선 모양의 파동-파 상호 작용 프로파일, 진동하는 주기적 독방파, 이중 솔리톤, 꼬임형 파, W자형 솔리톤 및 새로운 독방파 솔루션을 설명합니다. 수치 시뮬레이션을 기반으로 임의의 기능 매개변수 및 자유 매개변수에 적합한 값을 선택하여 3D 플롯. [2]
Residue Interaction Profile 잔류물 상호작용 프로필
In this study, we developed a novel method, using ligand-residue interaction profiles (IPs) to construct machine learning (ML)-based prediction models, to significantly improve the screening performance in SBVSs. [1] There is a descriptive protagonism of carboxyl group on the ENR interaction which traps the molecule and avoids the deep communication in the protein binding pocket, as well as the ligands CIP and PEF showed an interface amino acid residue interaction profile higher than 70%. [2]이 연구에서 우리는 리간드-잔기 상호 작용 프로필(IP)을 사용하여 기계 학습(ML) 기반 예측 모델을 구성하여 SBVS의 스크리닝 성능을 크게 향상시키는 새로운 방법을 개발했습니다. [1] 분자를 포획하고 단백질 결합 포켓에서 깊은 통신을 피하는 ENR 상호작용에 대한 카르복실기의 설명적 프로타고니즘이 있을 뿐만 아니라 리간드 CIP 및 PEF는 70% 이상의 계면 아미노산 잔기 상호작용 프로파일을 나타냈다. [2]
Stable Interaction Profile 안정적인 상호 작용 프로필
Stable interaction profiles of DUR, can possibly restore SUL activity against both PBP3WT and PBP3MTs. [1] Stable interaction profiles of DUR with carbapenemases can possibly restore SUL activity against both PBP3WT and PBP3MTs. [2]DUR의 안정적인 상호 작용 프로필은 PBP3WT 및 PBP3MT 모두에 대해 SUL 활동을 복원할 수 있습니다. [1] 카바페네마제와 DUR의 안정적인 상호 작용 프로필은 PBP3WT 및 PBP3MT 모두에 대해 SUL 활성을 복원할 수 있습니다. [2]
interaction profile kernel 상호 작용 프로필 커널
Specifically, the semantic similarity of diseases, the gaussian interaction profile kernel similarity of the four biological information of miRNA, disease, long non-coding RNA (lncRNA) and environmental factors (EFs), and the similarities of miRNAs are fused together. [1] In GCRFLDA, the Gaussian interaction profile kernels similarity and cosine similarity were fused as side information of lncRNA and disease nodes. [2] In MSBMFHMDA, a microbe multiple similarities matrix was constructed first based on the Gaussian interaction profile kernel similarity and cosine similarity for microbes. [3] We integrated miRNA functional similarity and Gaussian interaction profile kernel similarity by similarity network fusion to obtain miRNA similarity. [4] At the same time, Gaussian interaction profile kernel is added to our method, which increase the network similarity between lncRNA and disease. [5] In order to effectively combine different disease and miRNA similarity data, we applied similarity network fusion algorithm to obtain integrated disease similarity (composed of disease functional similarity, disease semantic similarity and disease Gaussian interaction profile kernel similarity) and integrated miRNA similarity (composed of miRNA functional similarity, miRNA sequence similarity and miRNA Gaussian interaction profile kernel similarity). [6] Here, based on heterogeneous networks built on the information of known miRNA–disease associations, miRNA function similarity, disease semantic similarity, and Gaussian interaction profile kernel similarity for miRNAs and diseases, we developed a computing model of biased random walk with restart on multilayer heterogeneous networks for miRNA–disease association prediction (BRWRMHMDA) through enforcing degree-based biased random walk with restart (BRWR). [7] The receptor similarity network is constructed by the Gaussian interaction profile kernel similarity and the receptor sequence similarity. [8] In addition, the negative sampling method is employed to reduce the effect of the noise samples, which selects negative samples based on circRNAs expression profile similarity and Gaussian Interaction Profile kernel similarity. [9] We construct features between lncRNA and disease pairs by utilizing the disease semantic similarity, lncRNA sequence similarity, and Gaussian interaction profile kernel similarities of lncRNAs and diseases. [10] This model first fused the natural language features of the circRNA sequence and the features of disease semantics, circRNA and disease Gaussian interaction profile kernel, and then used all circRNA-disease pairs to pre-train the GAN network, and fine-tune the network parameters through labeled samples. [11] We then construct a microbe-disease heterogeneous network (MDHN) by integrating known associations and multiple similarities (including Gaussian interaction profile kernel similarity, microbe function similarity, disease semantic similarity and disease-symptom similarity). [12] The nodes of the graphs are represented by the disease semantic similarity, miRNA functional similarity and Gaussian interaction profile kernel similarity. [13] Methods In this work, we develop a deep gated recurrent units model to predict potential drug–disease interactions using comprehensive similarity measures and Gaussian interaction profile kernel. [14] The model introduces the Gaussian interaction profile kernel similarity for drugs and diseases, and combines them with the structural similarity of drugs and the semantic similarity of diseases to construct the feature space jointly. [15] Specifically, we first regard the circRNA-disease association prediction problem as the system recommendation problem, and design a series of metagraphs according to the heterogeneous biological networks; then extract the semantic information of the disease and the Gaussian interaction profile kernel (GIPK) similarity of circRNA and disease as network attributes; finally, the iterative search of the metagraph recommendation algorithm is used to calculate the scores of the circRNA-disease pair. [16] LGDLDA obtains disease similarity matrix by calculating the disease ontology, the disease-miRNA association matrix, and Gaussian interaction profile kernel similarity. [17] We obtain gene similarity matrix by calculating the lncRNA-gene association matrix and the gene-disease association matrix, and we obtain disease similarity matrix by calculating the disease ontology, the disease-miRNA association matrix, and Gaussian interaction profile kernel similarity. [18] More specifically, we calculate the similarity of disease based on Gaussian interaction profile kernel and disease semantic information, and calculate the similarity of lncRNA based on Gaussian interaction profile kernel. [19] Firstly, we fuse the multi-source information of disease semantic similarity, disease and circRNA Gaussian interaction profile kernel similarity, and then use GAN to extract the hidden features of fusion information objectively and effectively in the way of confrontation learning, and finally send them to Logistic Model Tree (LMT) classifier for accurate prediction. [20] The virus network is constructed based on oligonucleotide frequency measurement, and the host network is constructed by integrating oligonucleotide frequency similarity and Gaussian interaction profile kernel similarity through similarity network fusion. [21] First, the integrated similarity of diseases and the integrated similarity of miRNAs were calculated by combining the semantic similarity and Gaussian interaction profile kernel (GIPK) similarity of diseases, the functional similarity and GIPK similarity of miRNAs, respectively. [22]구체적으로, 질병의 의미론적 유사성, miRNA, 질병, 긴 비암호화 RNA(lncRNA) 및 환경 요인(EF)의 4가지 생물학적 정보의 가우스 상호작용 프로파일 커널 유사성 및 miRNA의 유사성이 함께 융합됩니다. [1] GCRFLDA에서 Gaussian 상호 작용 프로파일 커널 유사성과 코사인 유사성은 lncRNA 및 질병 노드의 부가 정보로 융합되었습니다. [2] nan [3] miRNA 유사성을 얻기 위해 유사성 네트워크 융합을 통해 miRNA 기능적 유사성과 가우스 상호작용 프로파일 커널 유사성을 통합했습니다. [4] nan [5] 서로 다른 질병 및 miRNA 유사성 데이터를 효과적으로 결합하기 위해 통합 질병 유사성(질병 기능적 유사성, 질병 의미론적 유사성 및 질병 가우스 상호작용 프로파일 커널 유사성으로 구성) 및 통합 miRNA 유사성(miRNA 기능적 유사성으로 구성)을 얻기 위해 유사성 네트워크 융합 알고리즘을 적용했습니다. 유사성, miRNA 서열 유사성 및 miRNA 가우스 상호작용 프로파일 커널 유사성). [6] 여기에서 알려진 miRNA-질병 연관성, miRNA 기능 유사성, 질병 의미 유사성, miRNA 및 질병에 대한 가우스 상호작용 프로파일 커널 유사성에 대한 정보를 기반으로 구축된 이종 네트워크를 기반으로, 우리는 다층 이기종에서 다시 시작하여 편향된 랜덤 워크의 컴퓨팅 모델을 개발했습니다. BRWR(degree-based biased random walk with restart) 시행을 통해 miRNA-질병 연관 예측(BRWRMHMDA)을 위한 네트워크. [7] nan [8] nan [9] 우리는 lncRNA와 질병의 질병 의미 유사성, lncRNA 서열 유사성, 가우스 상호작용 프로파일 커널 유사성을 활용하여 lncRNA와 질병 쌍 사이의 특징을 구성합니다. [10] nan [11] 그런 다음 알려진 연관성과 다중 유사성(가우스 상호작용 프로필 커널 유사성, 미생물 기능 유사성, 질병 의미론적 유사성 및 질병-증상 유사성 포함)을 통합하여 미생물-질병 이종 네트워크(MDHN)를 구성합니다. [12] nan [13] nan [14] nan [15] nan [16] nan [17] nan [18] nan [19] nan [20] nan [21] nan [22]
interaction profile similarity 상호 작용 프로필 유사성
Analysis of radiation-induced ATR/ATM protein–protein interactions in Arabidopsis reveals interaction profile similarities under low radiation doses suggesting novel mechanisms of DNA damage response involving non-radiation-induced genes regulating other stress responses in spaceflight. [1] Specifically, we introduced the Hamming interaction profile similarity to measure the similarities of microbes and diseases besides Gaussian interaction profile kernel similarity. [2] We also built a Gauss interaction profile similarity matrix for circRNA and disease based on experimentally verified circRNA-disease associations. [3]Arabidopsis에서 방사선 유발 ATR/ATM 단백질-단백질 상호작용의 분석은 우주 비행에서 다른 스트레스 반응을 조절하는 비 방사선 유발 유전자를 포함하는 DNA 손상 반응의 새로운 메커니즘을 제안하는 낮은 방사선량 하에서 상호작용 프로파일 유사성을 보여줍니다. [1] 구체적으로, 우리는 가우스 상호작용 프로파일 커널 유사성 외에 미생물 및 질병의 유사성을 측정하기 위해 Hamming 상호작용 프로파일 유사성을 도입했습니다. [2] nan [3]