論文の概要: Generating 3D Molecular Structures Conditional on a Receptor Binding
Site with Deep Generative Models
- arxiv url: http://arxiv.org/abs/2010.14442v3
- Date: Mon, 23 Nov 2020 15:05:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 22:22:51.296723
- Title: Generating 3D Molecular Structures Conditional on a Receptor Binding
Site with Deep Generative Models
- Title（参考訳）: 深部生成モデルを用いた受容体結合部位における3次元分子構造の生成
- Authors: Tomohide Masuda, Matthew Ragoza, David Ryan Koes
- Abstract要約: 本稿では,3次元分子結合ポケット上に条件付き3次元構造を生成可能な深部生成モデルについて初めて述べる。
基準種子の構造によって定義される変分潜在空間から、有効かつ特異な分子を容易にサンプリングできることが示される。
- 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: Deep generative models have been applied with increasing success to the
generation of two dimensional molecules as SMILES strings and molecular graphs.
In this work we describe for the first time a deep generative model that can
generate 3D molecular structures conditioned on a three-dimensional (3D)
binding pocket. Using convolutional neural networks, we encode atomic density
grids into separate receptor and ligand latent spaces. The ligand latent space
is variational to support sampling of new molecules. A decoder network
generates atomic densities of novel ligands conditioned on the receptor.
Discrete atoms are then fit to these continuous densities to create molecular
structures. We show that valid and unique molecules can be readily sampled from
the variational latent space defined by a reference `seed' structure and
generated structures have reasonable interactions with the binding site. As
structures are sampled farther in latent space from the seed structure, the
novelty of the generated structures increases, but the predicted binding
affinity decreases. Overall, we demonstrate the feasibility of conditional 3D
molecular structure generation and provide a starting point for methods that
also explicitly optimize for desired molecular properties, such as high binding
affinity.
- Abstract（参考訳）: 深い生成モデルが適用され、SMILES文字列や分子グラフのような二次元分子の生成に成功している。
本研究では,3次元3次元結合ポケット上に条件付き3次元分子構造を生成可能な深部生成モデルについて初めて述べる。
畳み込みニューラルネットワークを用いて、原子密度グリッドを別々の受容体とリガンド潜在空間に符号化する。
リガンド潜在空間は、新しい分子のサンプリングをサポートするために変動する。
デコーダネットワークは、受容体に条件付けられた新規リガンドの原子密度を生成する。
離散原子は、これらの連続密度に適合して分子構造を形成する。
本研究は,「シード」構造によって定義される変動潜在空間から,有効かつ特異な分子を容易にサンプリングできることを示し,生成された構造が結合部位と合理的な相互作用を持つことを示した。
種構造から潜在空間で構造をサンプリングすると、生成した構造の新規性は増大するが、予測された結合親和性は低下する。
全体として,条件付き3次元分子構造生成の実現可能性を示し,高結合親和性などの所望の分子特性を明示的に最適化する手法の出発点を提供する。
関連論文リスト
- 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) - Autoregressive fragment-based diffusion for pocket-aware ligand design [0.0]
AutoFragDiffはフラグメントベースの自己回帰拡散モデルであり、ターゲットタンパク質構造に条件付けられた3D構造を生成する。
我々は、分子足場とタンパク質ポケットに固定された新しい分子断片の原子タイプと空間座標を予測するために幾何学的ベクトルパーセプトロンを用いる。
論文 参考訳（メタデータ） (2023-12-15T04:03:03Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳（メタデータ） (2023-06-09T03:04:21Z) - Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。
D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。
実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
論文 参考訳（メタデータ） (2023-05-30T06:41:20Z) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳（メタデータ） (2023-04-28T04:25:57Z) - DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。
現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。
本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
論文 参考訳（メタデータ） (2022-11-21T07:02:15Z) - A 3D Molecule Generative Model for Structure-Based Drug Design [18.29582138009123]
構造に基づく薬物設計において、特定のタンパク質結合部位に結合する分子を生成するという根本的な問題を研究する。
指定された3Dタンパク質結合部位に与えられた分子を生成する3D生成モデルを提案する。
論文 参考訳（メタデータ） (2022-03-20T03:54:47Z) - Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。
様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文 参考訳（メタデータ） (2022-02-01T18:54:24Z) - Structure-aware generation of drug-like molecules [2.449909275410288]
深部生成法は、新しい分子をスクラッチから提案する(デノボ設計)。
本稿では, 分子間空間における3次元ポーズと協調して分子グラフを生成する新しい教師付きモデルを提案する。
ドッキングベンチマークを用いて,ドッキングモデルの評価を行い,ドッキング生成によって予測される結合親和性が8%向上し,薬物類似度が10%向上することが確認された。
論文 参考訳（メタデータ） (2021-11-07T15:19:54Z) - Generating 3D Molecules Conditional on Receptor Binding Sites with Deep
Generative Models [0.0]
本稿では,受容体結合部位に条件付き3次元分子構造を生成する深層学習システムについて述べる。
生成原子密度から有効な分子配座を構築するために原子フィッティング法と結合推論法を適用した。
この研究は、ディープラーニングによるタンパク質構造からの安定な生物活性分子のエンドツーエンド予測の扉を開く。
論文 参考訳（メタデータ） (2021-10-28T15:17:24Z) - Learning a Continuous Representation of 3D Molecular Structures with
Deep Generative Models [0.0]
生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。
原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。
また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
論文 参考訳（メタデータ） (2020-10-17T01:15:47Z)
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。