論文の概要: Molecular Design in Synthetically Accessible Chemical Space via Deep
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2004.14308v2
- Date: Fri, 16 Oct 2020 19:44:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 13:16:03.862275
- Title: Molecular Design in Synthetically Accessible Chemical Space via Deep
Reinforcement Learning
- Title(参考訳): 深層強化学習による合成可能な化学空間の分子設計
- Authors: Julien Horwood and Emmanuel Noutahi
- Abstract要約: 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。
- 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: The fundamental goal of generative drug design is to propose optimized
molecules that meet predefined activity, selectivity, and pharmacokinetic
criteria. Despite recent progress, we argue that existing generative methods
are limited in their ability to favourably shift the distributions of molecular
properties during optimization. We instead propose a novel Reinforcement
Learning framework for molecular design in which an agent learns to directly
optimize through a space of synthetically-accessible drug-like molecules. This
becomes possible by defining transitions in our Markov Decision Process as
chemical reactions, and allows us to leverage synthetic routes as an inductive
bias. We validate our method by demonstrating that it outperforms existing
state-of the art approaches in the optimization of pharmacologically-relevant
objectives, while results on multi-objective optimization tasks suggest
increased scalability to realistic pharmaceutical design problems.
- Abstract(参考訳): 創薬設計の基本的な目標は、予め定義された活性、選択性、薬物動態基準を満たす最適化された分子を提案することである。
近年の進歩にもかかわらず、既存の生成法は最適化時に分子特性の分布を好適に変化させる能力に限られていると論じている。
そこで我々は,合成可能な薬物様分子の空間を通して直接最適化することを学ぶ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。
これはマルコフ決定過程の遷移を化学反応として定義することで可能となり、誘導バイアスとして合成経路を利用することができる。
本手法は薬理学的に関連のある目的の最適化において既存の手法よりも優れており,多目的最適化タスクの結果から,現実的な薬理設計問題への拡張性が増すことが示唆される。
関連論文リスト
- Beyond Chemical Language: A Multimodal Approach to Enhance Molecular
Property Prediction [2.1202329976106924]
本稿では,化学言語表現と物理化学的特徴を組み合わせた分子特性予測のための新しい多モーダル言語モデルを提案する。
提案手法であるMultiMODAL-MOLFORMERは,特定の標的特性に対する直接因果効果に基づいて物理化学的特徴を同定する因果多段階特徴選択法を用いている。
ケミカル言語ベースのMOLFORMERやグラフニューラルネットワークなど,既存の最先端アルゴリズムと比較して,優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-22T13:28:59Z) - 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) - CELLS: Cost-Effective Evolution in Latent Space for Goal-Directed
Molecular Generation [23.618366377098614]
本稿では,分子潜在表現ベクトルを最適化した遅延空間におけるコスト効率のよい進化戦略を提案する。
我々は、潜伏空間と観測空間をマッピングするために、事前訓練された分子生成モデルを採用する。
提案手法といくつかの高度な手法を比較した複数の最適化タスクについて広範な実験を行った。
論文 参考訳(メタデータ) (2021-11-30T11:02:18Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2021-11-30T06:10:22Z) - Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。
実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
論文 参考訳(メタデータ) (2021-09-22T01:16:22Z) - Deep Molecular Dreaming: Inverse machine learning for de-novo molecular
design and interpretability with surjective representations [1.433758865948252]
コンピュータビジョンを用いた勾配に基づく分子最適化手法PASITHEAを提案する。
ニューラルネットワークの学習プロセスを直接反転させることで勾配の利用を生かし、実際の化学特性を予測するために訓練される。
その結果は予備的ですが、逆トレーニング中の選択されたプロパティの分布の変化、PASITHEAの生存可能性を明確に示しています。
論文 参考訳(メタデータ) (2020-12-17T16:34:59Z) - Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。
我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。
提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
論文 参考訳(メタデータ) (2020-11-14T05:42:15Z) - 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) - 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。