Fugu-MT 論文翻訳(概要): A deep-learning view of chemical space designed to facilitate drug discovery

論文の概要: A deep-learning view of chemical space designed to facilitate drug discovery

arxiv url: http://arxiv.org/abs/2002.02948v1
Date: Fri, 7 Feb 2020 18:32:44 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 03:59:48.099425
Title: A deep-learning view of chemical space designed to facilitate drug discovery
Title（参考訳）: 薬物発見を促進するための化学空間の深層学習
Authors: Paul Maragakis, Hunter Nisonoff, Brian Cole, and David E. Shaw
Abstract要約: 我々は、分子設計への機械学習アプローチにおける最先端の技術を進化させるディープニューラルネットワークモデルであるDESMILESを提案する。 DESMILESが分子特性を損なう能力を説明するために、DESMILESネットワークの層を可視化する。
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: Drug discovery projects entail cycles of design, synthesis, and testing that yield a series of chemically related small molecules whose properties, such as binding affinity to a given target protein, are progressively tailored to a particular drug discovery goal. The use of deep learning technologies could augment the typical practice of using human intuition in the design cycle, and thereby expedite drug discovery projects. Here we present DESMILES, a deep neural network model that advances the state of the art in machine learning approaches to molecular design. We applied DESMILES to a previously published benchmark that assesses the ability of a method to modify input molecules to inhibit the dopamine receptor D2, and DESMILES yielded a 77% lower failure rate compared to state-of-the-art models. To explain the ability of DESMILES to hone molecular properties, we visualize a layer of the DESMILES network, and further demonstrate this ability by using DESMILES to tailor the same molecules used in the D2 benchmark test to dock more potently against seven different receptors.
Abstract（参考訳）: 薬物発見プロジェクトは、特定の標的タンパク質に親和性を持つような性質を持つ一連の化学的に関連した小さな分子を、特定の薬物発見目標に順応する設計、合成、および試験のサイクルを包含する。ディープラーニング技術の使用は、設計サイクルにおける人間の直感の使用の典型的な実践を強化し、薬物発見プロジェクトを迅速化する可能性がある。本稿では,分子設計への機械学習アプローチの最先端技術である深層ニューラルネットワークモデルであるdesmilesについて述べる。 DESMILESはドパミン受容体D2を阻害するために入力分子を修飾する手法の能力を評価するベンチマークに応用し、DSMILESは最先端モデルと比較して77%低い失敗率を示した。 DESMILESが分子特性を刺激する能力を説明するために、DSMILESネットワークの層を可視化し、D2ベンチマークテストで使用される同じ分子を調整し、7つの異なる受容体に対してより強力なドッキングを行うことにより、この能力を実証する。

関連論文リスト

Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。 DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
論文参考訳（メタデータ） (2024-05-04T10:09:27Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文参考訳（メタデータ） (2023-04-12T13:34:22Z)
Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。このシステムは、薬物のような化合物と標的特異的な生物活性分子の大規模なデータセットを用いて訓練される。オープンアクセスされた薬物遺伝子を用いて、他の薬剤性タンパク質のモデルを容易に訓練することができる。
論文参考訳（メタデータ） (2023-02-15T18:59:27Z)
Multi-view deep learning based molecule design and structural optimization accelerates the SARS-CoV-2 inhibitor discovery [10.974317147338303]
分子生成, 構造最適化, およびSARS-CoV-2インヒビターディスコリピーのためのMulti-viEw Deep生成モデルであるMEDICOを提案する。評価実験の結果,MEDICOは, 有効, 特異, 新規な分子を生成する上で, 最先端の手法を著しく上回っていることがわかった。 SARS-CoV-2主プロテアーゼ(Mpro)の標的分子生成に関するケーススタディでは、分子ドッキングをケミカルプライオリとしてモデルに組み込むことで、Mproにドラッグライクな性質を持つ新しい小さな分子を生成できることが示され、コビッドのデノボ設計が加速される可能性が示唆された。
論文参考訳（メタデータ） (2022-12-03T08:21:13Z)
Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文参考訳（メタデータ） (2022-08-23T17:01:16Z)
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)
LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
論文参考訳（メタデータ） (2022-06-17T21:05:58Z)
Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文参考訳（メタデータ） (2022-06-06T06:17:11Z)
Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-11-03T18:51:18Z)
Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。