論文の概要: Optimizing Molecules using Efficient Queries from Property Evaluations
- arxiv url: http://arxiv.org/abs/2011.01921v2
- Date: Mon, 18 Oct 2021 21:07:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 06:14:16.857147
- Title: Optimizing Molecules using Efficient Queries from Property Evaluations
- Title(参考訳): 特性評価から効率的なクエリーを用いた分子の最適化
- Authors: Samuel Hoffman, Vijil Chenthamarakshan, Kahini Wadhawan, Pin-Yu Chen,
Payel Das
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 66.66290256377376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning based methods have shown potential for optimizing existing
molecules with more desirable properties, a critical step towards accelerating
new chemical discovery. Here we propose QMO, a generic query-based molecule
optimization framework that exploits latent embeddings from a molecule
autoencoder. QMO improves the desired properties of an input molecule based on
efficient queries, guided by a set of molecular property predictions and
evaluation metrics. We show that QMO outperforms existing methods in the
benchmark tasks of optimizing small organic molecules for drug-likeness and
solubility under similarity constraints. We also demonstrate significant
property improvement using QMO on two new and challenging tasks that are also
important in real-world discovery problems: (i) optimizing existing potential
SARS-CoV-2 Main Protease inhibitors toward higher binding affinity; and (ii)
improving known antimicrobial peptides towards lower toxicity. Results from QMO
show high consistency with external validations, suggesting effective means to
facilitate material optimization problems with design constraints.
- Abstract(参考訳): 機械学習に基づく手法は、より望ましい特性を持つ既存の分子を最適化する可能性を示しており、新しい化学発見を加速するための重要なステップである。
本稿では,分子オートエンコーダからの潜伏埋め込みを利用した汎用クエリに基づく分子最適化フレームワークQMOを提案する。
QMOは、分子特性予測と評価指標のセットによって導かれる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。
類似性制約下での薬物類似性や溶解性のために小さな有機分子を最適化するベンチマークタスクにおいて,qmoは既存の手法を上回っている。
また、実世界の発見問題においても重要な2つの新しい課題に対して、QMOを用いた重要な特性改善を示す。
一 既存のSARS-CoV-2メインプロテアーゼ阻害剤の高結合親和性への最適化及び
(ii)毒性低下に対する既知の抗菌ペプチドの改善。
QMOの結果は外部の検証と高い整合性を示し、設計制約による材料最適化問題を解決する効果的な方法を提案する。
関連論文リスト
- Pareto Optimization to Accelerate Multi-Objective Virtual Screening [11.356174411578515]
EGFRおよびIGF1Rの選択的二重阻害剤であると考えられる4M分子の仮想ライブラリーを探索するツールを開発した。
このワークフローと関連するオープンソースソフトウェアは、分子設計プロジェクトのスクリーニング負担を軽減することができる。
論文 参考訳(メタデータ) (2023-10-16T17:19:46Z) - 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) - Molecule optimization via multi-objective evolutionary in implicit
chemical space [8.72872397589296]
MOMOは、化学知識の学習と多目的進化探索を組み合わせた多目的分子最適化フレームワークである。
4つの多目的特性と類似性最適化タスクにおけるMOMOの性能を実証し、ケーススタディを通してMOMOの探索能力を示す。
論文 参考訳(メタデータ) (2022-12-17T09:09:23Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - 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) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳(メタデータ) (2021-09-21T00:08:43Z) - 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) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
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) - 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)
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。