論文の概要: Scaffold-constrained molecular generation

• arxiv url: http://arxiv.org/abs/2009.07778v3
• Date: Mon, 5 Oct 2020 10:50:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 06:32:31.330071
• Title: Scaffold-constrained molecular generation
• Title（参考訳）: 足場拘束型分子発生
• Authors: Maxime Langevin, Herve Minoux, Maximilien Levesque, Marc Bianciotto
• Abstract要約: SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。 本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
• 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: One of the major applications of generative models for drug Discovery targets the lead-optimization phase. During the optimization of a lead series, it is common to have scaffold constraints imposed on the structure of the molecules designed. Without enforcing such constraints, the probability of generating molecules with the required scaffold is extremely low and hinders the practicality of generative models for de-novo drug design. To tackle this issue, we introduce a new algorithm to perform scaffold-constrained in-silico molecular design. We build on the well-known SMILES-based Recurrent Neural Network (RNN) generative model, with a modified sampling procedure to achieve scaffold-constrained generation. We directly benefit from the associated reinforcement Learning methods, allowing to design molecules optimized for different properties while exploring only the relevant chemical space. We showcase the method's ability to perform scaffold-constrained generation on various tasks: designing novel molecules around scaffolds extracted from SureChEMBL chemical series, generating novel active molecules on the Dopamine Receptor D2 (DRD2) target, and, finally, designing predicted actives on the MMP-12 series, an industrial lead-optimization project.
• Abstract（参考訳）: 創薬モデルの主要な応用の一つは鉛最適化フェーズである。 リード系列の最適化において、設計した分子の構造に足場制約が課されることが一般的である。 このような制約を課すことなく、必要な足場で分子を生成する確率は非常に低く、脱ノボ薬物設計のための生成モデルの実用性を妨げている。 そこで本研究では,足場拘束型インシリコ分子設計を行う新しいアルゴリズムを提案する。 SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。 我々は、関連する化学空間のみを探索しながら、異なる性質に最適化された分子を設計できる強化学習法を直接的に活用する。 本研究は,サレシェムブル化学系から抽出された足場周辺の新規分子の設計,ドーパミン受容体d2(drd2)標的に新規活性分子の生成,そして工業的リード最適化プロジェクトであるmmp-12シリーズにおける予測活性分子の設計など,様々なタスクにおいて足場拘束型生成を行う方法を紹介する。

関連論文リスト

• Exploring Discrete Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは、最近提案されたジェネレーティブモデリングフレームワークで、様々なタスクにおいて印象的なパフォーマンスを実現している。 本稿では,既存の手法よりも学習可能なパラメータが少ない3D de novo設計における技術性能の状態を達成した,オープンソースのFlowMol-CTMCを提案する。
  論文  参考訳（メタデータ） (2024-11-25T18:27:39Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 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)
• Optimizing Drug Design by Merging Generative AI With Active Learning Frameworks [2.6062146828550903]
  我々は、変分オートエンコーダとアクティブラーニングステップに基づいて、ジェネレーティブAI(GM)ワークフローを開発した。 デザインされたGMワークフローは、薬物の類似性、合成可能性、類似性、ドッキングスコアなどの分子メトリクスから反復的に学習する。 GMワークフローで推定される高親和性分子の割合は,トレーニングデータより有意に大きかった。
  論文  参考訳（メタデータ） (2023-05-04T13:25:14Z)
• 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)
• 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)
• Hit and Lead Discovery with Explorative RL and Fragment-based Molecule Generation [34.26748101294543]
  ドッキングスコアが大きい薬理学的に許容される分子を生成する新しい枠組みを提案する。 本手法は, 生成した分子を, 現実的で有資格な化学空間に限定し, 薬物発見のための空間を効果的に探索する。 提案モデルでは,既存の手法と比較して高品質な分子を生成できる一方で,3つの目標のうち2つの目標に対して最先端の性能を達成できる。
  論文  参考訳（メタデータ） (2021-10-04T07:21:00Z)
• Learning to Extend Molecular Scaffolds with Structural Motifs [15.78749196233448]
  MoLeRはグラフベースのモデルで、生成手順の初期シードとして足場をサポートする。 そこで本研究では,MoLeRが非制約分子最適化タスクの最先端手法と相容れない性能を示す。 また、いくつかの小さな設計選択が全体的なパフォーマンスに与える影響も示しています。
  論文  参考訳（メタデータ） (2021-03-05T18:28:49Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。