PuSH - Publikationsserver des Helmholtz Zentrums München

Export: TXT Text RIS Endnote (RIS) BIB BibTeX
Zaucha, J.* ; Softley, C. ; Sattler, M. ; Frishman, D.* ; Popowicz, G.M.

Deep learning model predicts water interaction sites on the surface of proteins using limited-resolution data.

Chem. Commun. 56, 15454-15457 (2020)
Verlagsversion DOI
Closed
Open Access Green möglich sobald Postprint bei der ZB eingereicht worden ist.
We develop a residual deep learning model, hotWater (https://pypi.org/project/hotWater/), to identify key water interaction sites on proteins for binding models and drug discovery. This is tested on new crystal structures, as well as cryo-EM and NMR structures from the PDB and in crystallographic refinement with promising results.
Impact Factor
Scopus SNIP
Web of Science
Times Cited
Scopus
Cited By
Altmetric
5.996
1.144
1
4
Tags
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern

Zusatzinfos bearbeiten
Eigene Tags bearbeiten
Privat
Eigene Anmerkung bearbeiten
Privat
Auf Publikationslisten für
Homepage nicht anzeigen
Als besondere Publikation
markieren
Publikationstyp Artikel: Journalartikel
Dokumenttyp Wissenschaftlicher Artikel
Schlagwörter Molecules; Design
Sprache englisch
Veröffentlichungsjahr 2020
HGF-Berichtsjahr 2020
ISSN (print) / ISBN 0009-241X
e-ISSN 1364-548X
Zeitschrift Chemical Communications
Quellenangaben Band: 56, Heft: 98, Seiten: 15454-15457 Artikelnummer: , Supplement: ,
Verlag Royal Society of Chemistry (RSC)
Verlagsort Thomas Graham House, Science Park, Milton Rd, Cambridge Cb4 0wf, Cambs, England
Begutachtungsstatus Peer reviewed
Institut(e) Institute of Structural Biology (STB)
POF Topic(s) 30203 - Molecular Targets and Therapies
Forschungsfeld(er) Enabling and Novel Technologies
PSP-Element(e) G-503000-001
Förderungen Sattler group
Popowicz group
Frishman group
Deutsche Forschungsgemeinschaft
European Union
DOI 10.1039/d0cc04383d
WOS ID WOS:000599748600016
Scopus ID 85098472072
Erfassungsdatum 2021-02-09
[➜Korrektur melden]