Random Records

Note: AntiCP 2.0 an updated model for predicting anticancer (ACP) peptides_2020 doi: 10.1093/bib/bbaa153 In silico model development; predicting and designing anticancer peptides Preference Amino acids A, F, K, L and W Position A, F and K favour at N-terminal L and K favour at C-terminal Motif LAKLA AKLAK FAKL LAKL Machine model (tree-based model) Web server: https://webs.iiitd.edu.in/raghava/anticp2/ -- Content What they claim why peptides are good for treating cancer .. High target specificity Good efficacy Easily to synthesized Low toxicity Easily to be chemically modified Less immunogenic compared to recombinant antibodies -- >60 drugs have been approved by FDA >500 under clinical trials -- ACP is part of the antimicrobial peptide 5-50 AA Cationic Mostly, alpha-helix Some, beta-sheet Some, linear Cancer cell mb Larger surface area (microvilli by nature) Negatively charged Higher fluidity  Dataset to generate model ACP-DL , ACPP , ACPred-FL , AntiCP , iACP peptide , CancerPPD

Note: Measure DNA repair_2009 doi: 10.1080/13102818.2009.10817632 เป็นเปเปอร์ที่มี typo พอสมควร DNA mutations can cause diseases - thus understanding how cell repairs DNA is important. The ability to repair DNA to return to homeostasis state; Repair capacity Repair rate Repair specificity ------ Content Base sequences are kept securely by the backbone of phosphodiester bonds and N-glycosidic bonds -- very stable at the physiological condition Base stacking -- save the base from exposing to environment Any modification of the chemical structure of DNA -- DNA damages DNA damage Halt transcription Cause mutation during replication SSB Phosphodiester bond is being hydrolyzed -- leaving 5’ end phosphorylated and 3’ end deoxyribosyl moiety with 3’OH group SSB forms from the digestion of endonuclease Damaged base must be removed from phosphodiester backbone -- SSB forms Pyrimidine dimers UV light (260 nM) -- DNA expose -- causing photoproducts Two major types of photoproducts Cyclobutane pyri

Ref: http://bigchem.eu/sites/default/files/17052017-grisoni.mp4 ทำไมต้องใช้ machine learning (ML) in chemoinformatics เอาไปใช้ในการทำนาย biological activity เอาไว้ใช้ทำนาย toxicity ของ substance เอาไว้ใช้ในการหาคุณสมบัติทางเคมี-กายภาพ (physico-chemical) เอาไว้ใช้ในการ optimize คุณสมบัติต่าง ๆ ของสารตัวหนึ่งเพื่อให้ได้ผลตามที่เราต้องการ หรือแม้กระทั่งนำมาช่วยในการออกแบบตัวยา ผลลัพธ์ที่ต้องการ = function (คุณสมบัติต่าง ๆ ของสารเคมี มีตั้งแต่ 1มิติ 2มิติ 3มิติ) ML -- มีข้อมูล ฟีดอินข้อมูลเข้าไป เพื่อให้คอมพิวเตอร์มันเรียนรู้ เพื่อที่จะได้ผลลัพธ์ออกมาจากตรงนั้น ซึ่งมันประกอบไปด้วย 3 องค์ประกอบ ข้อมูลที่เราจะต้องฟีดอินเข้าไป (data, experience) สิ่งที่เราต้องการจะให้คอมพิวเตอร์ทำ (task) การประเมินผลของ task (performance measurement) เช่น data 1 chemical compound -- แปลงเป็น molecular descriptor (variables) ถ้าเป็นหลาย ๆ compounds ก็เอามาฟีดอินให้กับคอมพิวเตอร์ เพื่อหา pattern ที่มีความสัมพันธ์กับผลลัพธ์ GIGO -- garbage in garbage out Data -- > model -- > result ถ้าข้อมูลที่ฟีดอินเข้าไป