Deep Learning to Therapeutically Target Unreported Complexes

Volver a la Vista simple
dc.conicet.fuenteElsevier
dc.conicet.organizacionConsejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Química del Sur. Universidad Nacional del Sur. Departamento de Química. Instituto de Química del Sur
dc.conicet.organizacionAF Innovation Pharma Consultancy GmbH
dc.conicet.organizacionCollegium Basilea
dc.conicet.paisOrganizacionArgentina
dc.conicet.paisOrganizacionArgentina
dc.conicet.paisOrganizacionSuiza
dc.conicet.produccionid9260604
dc.contributor.authorFernandez, Ariel
dc.date.accessioned2021-02-05T19:29:50Z
dc.date.available2021-02-05T19:29:50Z
dc.date.issued2019-05-21
dc.date.updated2020-12-18T19:33:48Z
dc.description.abstractThe disruption of large protein–protein (PP) interfaces remains a challenge in targeted therapy. Designing drugs that compete with binding partners is daunting, especially when the structure of the protein complex is unknown. To address the problem we propose a deep protein databank (PDB) learning platform to discover targetable epitopes for complex-disruptive leads.es
dc.description.filFil: Fernandez, Ariel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Bahía Blanca. Instituto de Química del Sur. Universidad Nacional del Sur. Departamento de Química. Instituto de Química del Sur; Argentina. AF Innovation Pharma Consultancy GmbH; Argentina. Collegium Basilea; Suiza
dc.formatapplication/pdfes
dc.identifier.citationFernandez, Ariel; Deep Learning to Therapeutically Target Unreported Complexes; Elsevier Science London; Trends In Pharmacological Sciences; 40; 8; 21-5-2019; 551-554es
dc.identifier.institucionalCONICET
dc.identifier.issn0165-6147es
dc.identifier.repoCONICET Digital
dc.identifier.urihttp://hdl.handle.net/11336/125003
dc.journal.ciudadLondreses
dc.journal.number8es
dc.journal.pagination551-554es
dc.journal.paisReino Unidoes
dc.journal.titleTrends In Pharmacological Scienceses
dc.journal.volume40es
dc.language.isoenges
dc.publisherElsevier Science Londones
dc.relation.alternativeidinfo:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.1016/j.tips.2019.04.009
dc.relation.alternativeidinfo:eu-repo/semantics/altIdentifier/url/https://www.cell.com/trends/pharmacological-sciences/fulltext/S0165-6147(19)30086-0?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0165614719300860%3Fshowall%3Dtrue
dc.rightsinfo:eu-repo/semantics/restrictedAccess*
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/*
dc.subjectDEEP LEARNINGes
dc.subjectPROTEIN COMPLEXes
dc.subjectPROTEIN COMPLEX DISRUPTIONes
dc.subjectPROTEIN DATA BANKes
dc.subjectTARGETED MOLECULAR THERAPYes
dc.subjectUNKNOWN PROTEIN STRUCTUREes
dc.subject.classificationCiencias de la Información y Bioinformáticaes
dc.subject.classificationCiencias de la Computación e Informaciónes
dc.subject.classificationCIENCIAS NATURALES Y EXACTASes
dc.titleDeep Learning to Therapeutically Target Unreported Complexeses
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:ar-repo/semantics/artículo
dc.typeinfo:eu-repo/semantics/publishedVersion

Archivos

Bloque original

Miniatura
Nombre:
CONICET_Digital_Nro.970844b8-e1bb-4cb0-85a2-3ce6ec92ed32_A.pdf
Tamaño:
1.11 MB
Formato:
Adobe Portable Document Format
Solicitar

Colecciones

Articulos(INQUISUR)
Volver a la Vista simple