Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | University of Vienna | - |
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.contributor | Bayer AG | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Palmacci, Vincenzo | - |
Autor(es): dc.creator | Hirte, Steffen | - |
Autor(es): dc.creator | Hernández González, Jorge Enrique | - |
Autor(es): dc.creator | Montanari, Floriane | - |
Autor(es): dc.creator | Kirchmair, Johannes | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:57:13Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:57:13Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-06-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.ailsci.2024.100099 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/304131 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/304131 | - |
Descrição: dc.description | High throughput screening (HTS) technologies allow the biological testing of hundreds of thousands of compounds per day. Typically, a substantial proportion of the initial hits obtained by HTS are artifacts caused by assay interference. Therefore, global and technology-specific in silico models for identifying and predicting compounds interfering with biological assays have been developed. The global models benefit from training on large screening data sets, while the specialized models benefit from training on assay technology-specific experimental data. In this work, we develop and explore strategies for generating better predictors of technology-specific assay interference by utilizing the large bioactivity data matrices global models are trained on and employing partially new compound labeling approaches to maintain the assay technology awareness of specialized models. We demonstrate the utility of the statistically derived interference labels in machine learning using fluorescence-based assay interference as a representative example. Our random forest and multi-layer perceptron classifiers showed improved performance compared to existing models, achieving Matthews correlation coefficients (MCCs) of up to 0.47 on holdout data and up to 0.45 on an external test set. These results demonstrate that accurate assay-specific interference labels can be derived from large bioactivity data matrices, enabling the development of new machine-learning models without the need for further experimental data. | - |
Descrição: dc.description | Department of Pharmaceutical Sciences Division of Pharmaceutical Chemistry Faculty of Life Sciences University of Vienna | - |
Descrição: dc.description | Vienna Doctoral School of Pharmaceutical Nutritional and Sport Sciences (PhaNuSpo) University of Vienna | - |
Descrição: dc.description | Department of Machine Learning Research Bayer AG | - |
Descrição: dc.description | Department of Physics Sao Paulo State University Rua Cristóvão Colombo 2265, São José do Rio Preto, CEP | - |
Descrição: dc.description | Christian Doppler Laboratory for Molecular Informatics in the Biosciences Department for Pharmaceutical Sciences University of Vienna | - |
Descrição: dc.description | Department of Physics Sao Paulo State University Rua Cristóvão Colombo 2265, São José do Rio Preto, CEP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Artificial Intelligence in the Life Sciences | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Assay interfering compounds | - |
Palavras-chave: dc.subject | Biological assays | - |
Palavras-chave: dc.subject | Fluorescence | - |
Palavras-chave: dc.subject | High-throughput screening | - |
Palavras-chave: dc.subject | Machine learning | - |
Título: dc.title | Statistical approaches enabling technology-specific assay interference prediction from large screening data sets | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: