論文の概要: Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2004.12485v2
• Date: Wed, 20 May 2020 03:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 12:59:22.207162
• Title: Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた合成可能な化学空間をナビゲートする学習
• Authors: Sai Krishna Gottipati, Boris Sattarov, Sufeng Niu, Yashaswi Pathak, Haoran Wei, Shengchao Liu, Karam M. J. Thomas, Simon Blackburn, Connor W. Coley, Jian Tang, Sarath Chandar, Yoshua Bengio
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 75.95376096628135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the last decade, there has been significant progress in the field of machine learning for de novo drug design, particularly in deep generative models. However, current generative approaches exhibit a significant challenge as they do not ensure that the proposed molecular structures can be feasibly synthesized nor do they provide the synthesis routes of the proposed small molecules, thereby seriously limiting their practical applicability. In this work, we propose a novel forward synthesis framework powered by reinforcement learning (RL) for de novo drug design, Policy Gradient for Forward Synthesis (PGFS), that addresses this challenge by embedding the concept of synthetic accessibility directly into the de novo drug design system. In this setup, the agent learns to navigate through the immense synthetically accessible chemical space by subjecting commercially available small molecule building blocks to valid chemical reactions at every time step of the iterative virtual multi-step synthesis process. The proposed environment for drug discovery provides a highly challenging test-bed for RL algorithms owing to the large state space and high-dimensional continuous action space with hierarchical actions. PGFS achieves state-of-the-art performance in generating structures with high QED and penalized clogP. Moreover, we validate PGFS in an in-silico proof-of-concept associated with three HIV targets. Finally, we describe how the end-to-end training conceptualized in this study represents an important paradigm in radically expanding the synthesizable chemical space and automating the drug discovery process.
• Abstract（参考訳）: 過去10年間で、特に深層生成モデルにおいて、デ・ノボの薬物設計のための機械学習の分野は大きな進歩を遂げてきた。 しかし、現在の生成アプローチでは、提案する分子構造が実現可能な合成や、提案されている小さな分子の合成経路を提供しないことを保証することができないため、実用性に深刻な制限がある。 本研究では,デノボ薬物設計システムに直接合成アクセシビリティの概念を組み込むことにより,この課題に対処する,デノボ医薬品設計のための強化学習(RL)を活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、商業的に利用可能な小さな分子ビルディングブロックを、反復的な仮想多段階合成プロセスの各段階における化学反応を検証することによって、巨大な合成可能な化学空間をナビゲートすることを学ぶ。 提案する薬物発見環境は,大規模な状態空間と階層的動作を伴う高次元連続的動作空間のため,rlアルゴリズムに対して極めて挑戦的なテストベッドを提供する。 PGFSは、高いQEDとペナル化されたclogPを持つ構造を生成する際に、最先端の性能を達成する。 さらに,3つのHIV標的に関連付けられた概念実証においてPGFSを検証した。 最後に,本研究で概念化されたエンド・ツー・エンドのトレーニングが,化学合成空間を根本的に拡大し,創薬プロセスを自動化する上で重要なパラダイムであることを示す。

関連論文リスト

• SynthFormer: Equivariant Pharmacophore-based Generation of Molecules for Ligand-Based Drug Design [1.3927943269211591]
  本稿では, サイリコ生成法とin vitroにおける実用的手法のギャップについて考察する。 医薬品の3次元同変エンコーダを用いて、完全に合成可能な分子を生成する新しいMLモデルであるSynthFormerを紹介する。 我々の貢献には、3D情報を用いた効率的な化学空間探索のための新しい方法論、分子に3D薬局表現を翻訳するSynthformerと呼ばれる新しいアーキテクチャ、医薬品発見最適化のための試薬を組織する有意義な埋め込み空間が含まれる。
  論文  参考訳（メタデータ） (2024-10-03T17:38:46Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [57.70772230913099]
  Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。 Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。 Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)
• 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)
• 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)
• Deep Inverse Reinforcement Learning for Structural Evolution of Small Molecules [0.0]
  強化学習は主に 新たな化合物を生成するために 文献で活用されています 学習目的を簡潔に表わす報酬関数を設計する必要性は、ある種の複雑な領域においてばかばかしいことを証明できる。 本稿では,エントロピー逆強化学習パラダイムに基づく複合生成と伝達可能な報酬関数の学習のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-24T17:21:59Z)
• Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
  既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。 本稿では,分子設計のための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:29:28Z)
• The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
  機能性分子の発見は高価で時間を要するプロセスである。 初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。 これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。 しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
  論文  参考訳（メタデータ） (2020-02-17T15:41:28Z)

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。