論文の概要: Application and Assessment of Deep Learning for the Generation of
Potential NMDA Receptor Antagonists
- arxiv url: http://arxiv.org/abs/2003.14360v1
- Date: Tue, 31 Mar 2020 16:41:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 02:02:18.197636
- Title: Application and Assessment of Deep Learning for the Generation of
Potential NMDA Receptor Antagonists
- Title(参考訳): 潜在的なNMDA受容体アンタゴニスト生成のためのディープラーニングの適用と評価
- Authors: Katherine J. Schultz, Sean M. Colby, Yasemin Yesiltepe, Jamie R.
Nu\~nez, Monee Y. McGrady, Ryan R. Renslow
- Abstract要約: N-メチルD-アスパラギン酸受容体(NMDAR)の非競合的なアンタゴニストは、パーキンソン病やアルツハイマー病などの神経疾患の治療において、治療効果を示す。
また、不正薬物の合成に繋がる解離作用を引き起こすこともある。
したがって,NMDARアンタゴニストをシリコで生成する能力は,新薬開発と新規デザイナー薬のプリエンプション,同定に有用である。
- 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: Uncompetitive antagonists of the N-methyl D-aspartate receptor (NMDAR) have
demonstrated therapeutic benefit in the treatment of neurological diseases such
as Parkinson's and Alzheimer's, but some also cause dissociative effects that
have led to the synthesis of illicit drugs. The ability to generate NMDAR
antagonists in silico is therefore desirable both for new medication
development and for preempting and identifying new designer drugs. Recently,
generative deep learning models have been applied to de novo drug design as a
means to expand the amount of chemical space that can be explored for potential
drug-like compounds. In this study, we assess the application of a generative
model to the NMDAR to achieve two primary objectives: (i) the creation and
release of a comprehensive library of experimentally validated NMDAR
phencyclidine (PCP) site antagonists to assist the drug discovery community and
(ii) an analysis of both the advantages conferred by applying such generative
artificial intelligence models to drug design and the current limitations of
the approach. We apply, and provide source code for, a variety of ligand- and
structure-based assessment techniques used in standard drug discovery analyses
to the deep learning-generated compounds. We present twelve candidate
antagonists that are not available in existing chemical databases to provide an
example of what this type of workflow can achieve, though synthesis and
experimental validation of these compounds is still required.
- Abstract(参考訳): N-メチルD-アスパラギン酸受容体(NMDAR)の非競合的なアンタゴニストは、パーキンソン病やアルツハイマー病などの神経疾患の治療に効果を示すが、一部の薬の合成につながる解離作用を引き起こす。
したがって,NMDARアンタゴニストをシリコで生成する能力は,新薬開発と新規デザイナー薬のプリエンプション,同定に有用である。
近年,創発的な深層学習モデルがド・ノボの薬物設計に応用され,潜在的な薬物様化合物を探索できる化学空間の増大に寄与している。
本研究では,NMDARにおける生成モデルの適用性を評価する。
一 薬物発見コミュニティを支援するため、実験的に検証されたNMDAR phencyclidine(PCP)サイトアンタゴニストの包括的ライブラリの作成及びリリース
(ii)このような生成型人工知能モデルを薬物設計に適用することで得られる利点と、そのアプローチの現在の限界の両方の分析。
我々は, 標準薬物発見分析に使用される各種リガンドおよび構造に基づく評価手法を, 深層学習生成化合物に適用し, ソースコードを提供する。
既存の化学データベースでは利用できない12の候補アンタゴニストについて,これらの化合物の合成と実験的検証は依然として必要だが,このようなワークフローが実現可能な例を示す。
関連論文リスト
- Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing [0.3683202928838613]
米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。
本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
論文 参考訳(メタデータ) (2023-12-03T04:01:38Z) - Zero-shot Learning of Drug Response Prediction for Preclinical Drug
Screening [38.94493676651818]
ゼロショット学習ソリューションを提案する。
予防的薬物スクリーニングの課題です
具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
論文 参考訳(メタデータ) (2023-10-05T05:55:41Z) - NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug
Candidates Through an Integrated Computational Approach [0.0]
薬物再資源化は、新しい目的のために既存の薬物を再割り当てすることを含む薬物発見の新たなアプローチである。
提案するアルゴリズムはNeuroCADRであり,k-nearest neighbor algorithm (KNN),ランダム森林分類,決定木からなるマルチプログレッシブアプローチによる創薬システムである。
データは病気、症状、遺伝子、および関連する薬物分子間の相互作用からなるデータベースから作成され、その後バイナリで表現されたデータセットにコンパイルされた。
NeuroCADRは、臨床試験によってさらに承認されるてんかんの新規薬物候補を特定した。
論文 参考訳(メタデータ) (2023-09-04T03:21:43Z) - A clustering and graph deep learning-based framework for COVID-19 drug
repurposing [0.3359875577705538]
本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。
データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。
当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
論文 参考訳(メタデータ) (2023-06-24T15:00:47Z) - KGML-xDTD: A Knowledge Graph-based Machine Learning Framework for Drug
Treatment Prediction and Mechanism Description [11.64859287146094]
KGML-xDTD(知識グラフに基づく機械学習フレームワーク)を提案する。
グラフベースの強化学習プロセスにおける中間指導として,知識と公開に基づく情報を活用し,生物学的に意味のある「実証経路」を抽出する。
論文 参考訳(メタデータ) (2022-11-30T17:05:22Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳(メタデータ) (2022-10-11T16:07:52Z) - 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) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳(メタデータ) (2022-02-08T09:42:08Z) - SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。
ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文 参考訳(メタデータ) (2021-05-05T00:20:48Z) - MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。
開発者は、インターフェイスに薬物分子を描画することができる。
バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
論文 参考訳(メタデータ) (2020-10-05T21:25:25Z)
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。