論文の概要: Generative chemistry: drug discovery with deep learning generative models

• arxiv url: http://arxiv.org/abs/2008.09000v1
• Date: Thu, 20 Aug 2020 14:38:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 04:22:36.823310
• Title: Generative chemistry: drug discovery with deep learning generative models
• Title（参考訳）: 生成化学:深層学習生成モデルを用いた薬物発見
• Authors: Yuemin Bian and Xiang-Qun Xie
• Abstract要約: 本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。 ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The de novo design of molecular structures using deep learning generative models introduces an encouraging solution to drug discovery in the face of the continuously increased cost of new drug development. From the generation of original texts, images, and videos, to the scratching of novel molecular structures, the incredible creativity of deep learning generative models surprised us about the height machine intelligence can achieve. The purpose of this paper is to review the latest advances in generative chemistry which relies on generative modeling to expedite the drug discovery process. This review starts with a brief history of artificial intelligence in drug discovery to outline this emerging paradigm. Commonly used chemical databases, molecular representations, and tools in cheminformatics and machine learning are covered as the infrastructure for the generative chemistry. The detailed discussions on utilizing cutting-edge generative architectures, including recurrent neural network, variational autoencoder, adversarial autoencoder, and generative adversarial network for compound generation are focused. Challenges and future perspectives follow.
• Abstract（参考訳）: 深層学習生成モデルを用いた分子構造のデ・ノボ設計は、新薬開発コストの継続的な増大に直面して、薬物発見に対する奨励的な解決策をもたらす。 オリジナルテキスト、画像、ビデオの生成から、新しい分子構造のひっかき傷に至るまで、ディープラーニング生成モデルの驚くべき創造性は、マシン知能の高さに私たちを驚かせた。 本研究の目的は, 創薬プロセスの迅速化を図り, 創薬モデルによる生成化学の最近の進歩を概観することである。 このレビューは、薬物発見における人工知能の短い歴史から始まり、この新たなパラダイムを概説する。 一般的に用いられる化学データベース、分子表現、化学情報学や機械学習の道具は、生成化学の基盤として扱われている。 recurrent neural network, variational autoencoder, adversarial autoencoder, and generative adversarial networkなど,最先端生成アーキテクチャを用いた複合生成に関する詳細な議論を行った。 課題と今後の展望は続く。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
  本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。 液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• Hybrid quantum cycle generative adversarial network for small molecule generation [0.0]
  本研究は、パラメタライズド量子回路の既知の分子生成逆数ネットワークへの工学的統合に基づく、いくつかの新しい生成逆数ネットワークモデルを導入する。 導入された機械学習モデルには、強化学習原理に基づく新しいマルチパラメータ報酬関数が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-28T14:10:26Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• 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)
• 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 Denerative Models for Drug Design and Response [0.0]
  深部生成モデリングの最近の成功は、新しい分子の生成と最適化の可能性を秘めている。 本稿では, 化学・生物データベース, 生成モデリングツールについて紹介する。
  論文  参考訳（メタデータ） (2021-09-14T06:33:56Z)
• Advanced Graph and Sequence Neural Networks for Molecular Property Prediction and Drug Discovery [53.00288162642151]
  計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。 これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。 オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
  論文  参考訳（メタデータ） (2020-12-02T02:09:31Z)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)
• Visualizing Deep Graph Generative Models for Drug Discovery [16.78530326723672]
  深部グラフ生成モデルの符号化・復号過程において生成する分子を可視化する可視化フレームワークを提案する。 私たちの研究は、ブラックボックスAIによる薬物発見モデルに視覚的解釈能力を持たせることを目的としています。
  論文  参考訳（メタデータ） (2020-07-20T18:49:10Z)
• Drug discovery with explainable artificial intelligence [0.0]
  分子科学の機械言語の新しい物語の必要性に対処する「説明可能な」深層学習手法が求められている。 このレビューでは、説明可能な人工知能の最も顕著なアルゴリズム概念を要約し、将来の可能性、潜在的な応用、そして残る課題を予測している。
  論文  参考訳（メタデータ） (2020-07-01T14:36:23Z)

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。