Zobrazeno 1 - 10
of 67
pro vyhledávání: '"Paggi, Joseph M"'
Most widely used ligand docking methods assume a rigid protein structure. This leads to problems when the structure of the target protein deforms upon ligand binding. In particular, the ligand's true binding pose is often scored very unfavorably due
Externí odkaz:
http://arxiv.org/abs/2303.11494
Few-shot learning is a promising approach to molecular property prediction as supervised data is often very limited. However, many important molecular properties depend on complex molecular characteristics -- such as the various 3D geometries a molec
Externí odkaz:
http://arxiv.org/abs/2302.02055
Autor:
Tajima, Seiya, Kim, Yoon Seok, Fukuda, Masahiro, Jo, YoungJu, Wang, Peter Y., Paggi, Joseph M., Inoue, Masatoshi, Byrne, Eamon F.X., Kishi, Koichiro E., Nakamura, Seiwa, Ramakrishnan, Charu, Takaramoto, Shunki, Nagata, Takashi, Konno, Masae, Sugiura, Masahiro, Katayama, Kota, Matsui, Toshiki E., Yamashita, Keitaro, Kim, Suhyang, Ikeda, Hisako, Kim, Jaeah, Kandori, Hideki, Dror, Ron O., Inoue, Keiichi, Deisseroth, Karl, Kato, Hideaki E.
Publikováno v:
In Cell August 2023
Autor:
Powers, Alexander S., Khan, Aasma, Paggi, Joseph M., Latorraca, Naomi R., Souza, Sarah, Di Salvo, Jerry, Lu, Jun, Soisson, Stephen M., Johnston, Jennifer M., Weinglass, Adam B., Dror, Ron O.
Publikováno v:
Nature Communications; 11/16/2024, Vol. 15 Issue 1, p1-12, 12p
Publikováno v:
Annual Review of Biochemistry; 8/2/2024, Vol. 93 Issue 1, p389-410, 22p
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
While deep learning has unlocked advances in computational biology once thought to be decades away, extending deep learning techniques to the molecular domain has proven challenging, as labeled data is scarce and the benefit from self-supervised lear
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::bfd518d5b9be6dbe81480bbb8cacf106
http://arxiv.org/abs/2302.02055
http://arxiv.org/abs/2302.02055
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.