論文の概要: Discovery of Self-Assembling $\pi$-Conjugated Peptides by Active
Learning-Directed Coarse-Grained Molecular Simulation
- arxiv url: http://arxiv.org/abs/2002.01563v1
- Date: Mon, 27 Jan 2020 00:01:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 08:39:33.121454
- Title: Discovery of Self-Assembling $\pi$-Conjugated Peptides by Active
Learning-Directed Coarse-Grained Molecular Simulation
- Title（参考訳）: 能動学習型粗粒分子シミュレーションによる$\pi$共役ペプチドの自己集合の発見
- Authors: Kirill Shmilovich, Rachael A. Mansbach, Hythem Sidky, Olivia E. Dunne,
Sayak Subhra Panda, John D. Tovar, Andrew L. Ferguson
- Abstract要約: i$共役オリゴペプチドからなる自己組織化ナノアグリゲートは、創発的な光電子特性を提供する。
本研究では,能動学習プロトコル内に粗粒度分子動力学シミュレーションを適用する。
この空間のわずか2.3%の直接シミュレーションにより、優れた組立を示すと予測される分子を同定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electronically-active organic molecules have demonstrated great promise as
novel soft materials for energy harvesting and transport. Self-assembled
nanoaggregates formed from $\pi$-conjugated oligopeptides composed of an
aromatic core flanked by oligopeptide wings offer emergent optoelectronic
properties within a water soluble and biocompatible substrate. Nanoaggregate
properties can be controlled by tuning core chemistry and peptide composition,
but the sequence-structure-function relations remain poorly characterized. In
this work, we employ coarse-grained molecular dynamics simulations within an
active learning protocol employing deep representational learning and Bayesian
optimization to efficiently identify molecules capable of assembling pseudo-1D
nanoaggregates with good stacking of the electronically-active $\pi$-cores. We
consider the DXXX-OPV3-XXXD oligopeptide family, where D is an Asp residue and
OPV3 is an oligophenylene vinylene oligomer (1,4-distyrylbenzene), to identify
the top performing XXX tripeptides within all 20$^3$ = 8,000 possible
sequences. By direct simulation of only 2.3% of this space, we identify
molecules predicted to exhibit superior assembly relative to those reported in
prior work. Spectral clustering of the top candidates reveals new design rules
governing assembly. This work establishes new understanding of DXXX-OPV3-XXXD
assembly, identifies promising new candidates for experimental testing, and
presents a computational design platform that can be generically extended to
other peptide-based and peptide-like systems.
- Abstract（参考訳）: 電子活性有機分子は、エネルギーの収穫と輸送のための新しい軟質物質として大きな期待を寄せている。
オリゴペプチド翼の側面に芳香族コアからなる$\pi$共役オリゴペプチドからなる自己組織化ナノアグリゲーションは、水溶性および生体適合性のある基質内で創発的な光電子特性を提供する。
ナノアグリゲート特性は, コア化学およびペプチド組成の調整によって制御できるが, 配列構造と機能の関係はよく分かっていない。
本研究では,電子的に活性な$\pi$-coresをうまく積み重ねた擬似1Dナノアグリゲートを組み立てることのできる分子を効率よく同定するために,深層表現学習とベイズ最適化を用いた能動学習プロトコル内の粗粒度分子動力学シミュレーションを用いる。
我々はDXXX-OPV3-XXXDオリゴペプチドファミリーを、DがAsp残基であり、OPV3がオリゴフェニルエンビニレンオリゴマー(1,4-distyrylbenzene)であり、20$^3$ = 8,000の可能な全配列で最も優れたXXXトリペプチドを同定する。
この空間のわずか2.3%の直接シミュレーションにより、先行研究で報告されたものよりも優れた集合を示すと予測された分子を同定した。
上位候補のスペクトルクラスタリングは、アセンブリを管理する新しい設計規則を明らかにする。
この研究は、DXXX-OPV3-XXXDアセンブリの新たな理解を確立し、実験のための新しい候補を特定し、他のペプチド系およびペプチド様システムに汎用的に拡張可能な計算設計プラットフォームを提供する。
関連論文リスト
- Transformer-based de novo peptide sequencing for data-independent
acquisition mass spectrometry [1.5815894395363679]
本稿では,トランスフォーマーアーキテクチャに基づくディープラーニングモデルであるCasanovo-DIAを紹介する。
DIA質量分析データからペプチド配列を解読する。
その結果,既存のSTOA法よりも大幅に改善した。
論文 参考訳（メタデータ） (2024-02-17T19:04:23Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳（メタデータ） (2022-09-30T01:46:38Z) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳（メタデータ） (2022-08-30T09:32:39Z) - Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based
Reinforcement Learning Model [4.815696666006742]
構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。
本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。
概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
論文 参考訳（メタデータ） (2022-08-14T10:41:52Z) - Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine
Learning [54.247560894146105]
短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。
我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
論文 参考訳（メタデータ） (2022-08-10T13:30:58Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - Benchmarking Deep Graph Generative Models for Optimizing New Drug
Molecules for COVID-19 [11.853524110656991]
ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。
本稿では、グラフ生成モデルに基づく小さな薬物分子設計パイプラインと、新型コロナウイルスの標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究について述べる。
論文 参考訳（メタデータ） (2021-02-09T17:49:26Z) - Automatic design of novel potential 3CL$^{\text{pro}}$ and
PL$^{\text{pro}}$ inhibitors [14.20377116532735]
分子ニューラルアッセイ探索(MONAS)という分子最適化フレームワークを提案する。
MONASは、特定の望ましい性質を持つ分子を識別する特性予測器、与えられた分子と既知の訓練分子との統計的類似性を近似するエネルギーモデル、および分子探索方法の3つの構成要素から構成される。
本研究では、これらのコンポーネントをグラフニューラルネットワーク(GNN)、Deep Energy Estorimat Networks(DEEN)、Monte Carlo Tree Search(MCTS)でインスタンス化する。
論文 参考訳（メタデータ） (2021-01-28T09:47:23Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z) - CogMol: Target-Specific and Selective Drug Design for COVID-19 Using
Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。
CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。
CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文 参考訳（メタデータ） (2020-04-02T18:17:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。