Cite
A. Sharma, R. Kumar, R. Semwal, I. Aier, P. Tyagi and P. Varadwaj, "DeepOlf: Deep neural network based architecture for predicting odorants and their interacting Olfactory Receptors," in IEEE/ACM Transactions on Computational Biology and Bioinformatics, doi: 10.1109/TCBB.2020.3002154.
Abstract
嗅覚伝達機構は、鼻腔に存在する特定の嗅覚受容体（OR）への匂い物質の結合によって引き起こされます。形状、物理的および化学的特性の違いにより、異なる匂い物質は異なるORを刺激します。この論文では、分子の特徴と匂い物質とORのフィンガープリントに基づいて、化合物が潜在的な匂い物質であるかどうかを、その相互作用ORとともに予測するためのディープニューラルネットワークツールDeepOlfを提案します。匂いの識別と匂い-OR相互作用は、複数の記述子によるバイナリ分類としてモデル化されました。これらの記述子のパフォーマンスの評価により、ディープニューラルネットワークフレームワークは、他の従来の方法（SVM、RF、k-NN）と比較してより正確にデータを適合させるだけでなく、匂い物質とORの相互作用をより正確に予測できることがわかりました。私たちの知る限り、この研究は、匂いと相互作用OR予測の問題に関するディープラーニングのアイデアを初めて実現したものです。 DeepOlfの精度は、匂いと匂いの相互作用の予測でそれぞれ94.83％と99.92％でした。 DeepOlf予測を既存のSVMベースの予測サーバーであるODORactorと比較すると、提案されたディープラーニングアプローチを使用すると、より優れたパフォーマンスを実現できることがわかりました。
Memo
本文未読。ORについての記述子は多分検討していない？（ツールもしくは本文を要参照）。入力ファイル（user_input.csv）を準備する必要がある可能性。Machine learning についてはAnaconda + Tensorflow, keras, sk-learn
About Tool ;
DeepOlfは、物理化学的特性と分子フィンガープリントの潜在的なセットを使用して、匂い分子、無臭分子、嗅覚受容体（OR）の大規模なデータセットで開発された、ディープニューラルネットワークベースの予測モデルです。 これにより、一連の嗅覚受容体に対する匂い物質の正確な推論が可能になります。
ステップ1 ; Anaconda3-5.2以降をインストールします。
ステップ2 ; 次のライブラリ（python、numpy、tensorflow、keras、scikit-learn）をインストールまたはアップグレードします。
ステップ3 ; zipファイルをダウンロードして解凍します。
ステップ4 ; 入力ファイル（user_input.csv）を準備します。 PaDel、alvaDesc（推奨）、DRAGONなどのソフトウェアを使用して、化合物のSMILESまたはsdf形式から分子特性とフィンガープリントを計算し、user_input.csvとして保存します。 ヘッダー情報（最初の行）をそのまま入力ファイルに保存します。
ステップ5 ; DeepOlf_script.pyのパス変数の値を抽出したフォルダーに変更し、スクリプトを実行します。