論文の概要: RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De
Novo Drug Design
- arxiv url: http://arxiv.org/abs/2011.13042v1
- Date: Wed, 25 Nov 2020 22:04:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 03:23:41.254272
- Title: RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De
Novo Drug Design
- Title(参考訳): RetroGNN:De Novoドラッグデザインのためのグラフニューラルネットワークによる再合成の近似
- Authors: Cheng-Hao Liu, Maksym Korablyov, Stanis{\l}aw Jastrz\k{e}bski,
Pawe{\l} W{\l}odarczyk-Pruszy\'nski, Yoshua Bengio, Marwin H. S. Segler
- Abstract要約: 我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。
提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
- 参考スコア(独自算出の注目度): 75.14290780116002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: De novo molecule generation often results in chemically unfeasible molecules.
A natural idea to mitigate this problem is to bias the search process towards
more easily synthesizable molecules using a proxy for synthetic accessibility.
However, using currently available proxies still results in highly unrealistic
compounds. We investigate the feasibility of training deep graph neural
networks to approximate the outputs of a retrosynthesis planning software, and
their use to bias the search process. We evaluate our method on a benchmark
involving searching for drug-like molecules with antibiotic properties.
Compared to enumerating over five million existing molecules from the ZINC
database, our approach finds molecules predicted to be more likely to be
antibiotics while maintaining good drug-like properties and being easily
synthesizable. Importantly, our deep neural network can successfully filter out
hard to synthesize molecules while achieving a $10^5$ times speed-up over using
the retrosynthesis planning software.
- Abstract(参考訳): de novo分子の生成は、しばしば化学的に実現不可能な分子を生じる。
この問題を緩和するための自然なアイデアは、合成アクセシビリティーのプロキシを使ってより容易に合成可能な分子に探索過程を偏らせることである。
しかし、現在利用可能なプロキシを使用することで、非常に非現実的な化合物が得られる。
本稿では,再合成計画ソフトウェアの出力を近似するためにディープグラフニューラルネットワークを訓練する可能性とその探索過程の偏りについて検討する。
本手法は抗菌性を有する薬物様分子を探索するベンチマークを用いて評価する。
亜鉛データベースから500万以上の既存の分子を列挙するよりも、優れた薬物的性質を維持しつつ抗生物質になりやすいと予測される分子が、容易に合成可能であることが分かりました。
重要なのは、我々のディープニューラルネットワークは、レトロシンセシス計画ソフトウェアを使って10^5ドルのスピードアップを達成しながら、分子を合成する難しいフィルターをうまく排除できることです。
関連論文リスト
- STRIDE: Structure-guided Generation for Inverse Design of Molecules [0.24578723416255752]
$textbfSTRIDE$は、既知の分子によって誘導される無条件生成モデルを持つ新規分子を生成する生成分子ワークフローである。
生成分子は、平均21.7%低い合成アクセシビリティスコアを持ち、生成分子の5.9%のイオン化ポテンシャルを誘導する。
論文 参考訳(メタデータ) (2023-11-06T08:22:35Z) - 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) - FastFlows: Flow-Based Models for Molecular Graph Generation [4.9252608053969675]
FastFlowsは数千の化学的に有効な分子を数秒で生成する。
我々のモデルは自己回帰型分子生成モデルよりもはるかにシンプルで、訓練が容易です。
論文 参考訳(メタデータ) (2022-01-28T21:08:31Z) - Barking up the right tree: an approach to search over molecule synthesis
DAGs [28.13323960125482]
現在の分子の深層生成モデルは合成可能性を無視している。
我々は,現実世界のプロセスをよりよく表現する深い生成モデルを提案する。
我々のアプローチは化学空間をうまくモデル化でき、幅広い多様な分子を生成できることを示します。
論文 参考訳(メタデータ) (2020-12-21T17:35:06Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳(メタデータ) (2020-11-04T04:35:34Z) - 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) - 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) - Machine learning on DNA-encoded libraries: A new paradigm for
hit-finding [4.473676566828977]
DEL選択データに機械学習を適用した新しい手法を示す。
DEL選択データのみを使用してモデルをトレーニングし、自動または自動化可能なフィルタを適用します。
アプローチは有効であり、全体としては30本のテキストミューMで sim30% のヒット率と各ターゲットに対する強力な化合物(IC50 10 nM)の発見である。
論文 参考訳(メタデータ) (2020-01-31T19:31:23Z) - Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。
本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-06T05:36:57Z)
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。