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

• SDDBench: A Benchmark for Synthesizable Drug Design [31.739548311094843]
  分子合成性を評価するための新しいデータ駆動計量を提案する。 提案したラウンドトリップスコアを用いて,分子の合成経路の実現可能性を直接評価する。 提案手法の有効性を示すため, 分子生成モデルを用いて, 探索成功率とともに, ラウンドトリップスコアの総合評価を行う。
  論文  参考訳（メタデータ） (2024-11-13T03:08:33Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• Generative Active Learning for the Search of Small-molecule Protein Binders [87.106635995213]
  我々は、合成可能な分子を探索するための生成能動的学習アプローチであるLambdaZeroを紹介する。 LambdaZeroは、望まれる性質を持つ候補を見つけるために、分子の広大な空間を探索することを学ぶ。 我々はLambdaZeroに分子ドッキングを施し、エポキシドヒドロラーゼ2(sEH)を阻害する新しい小さな可溶性分子を設計する。 LambdaZeroはsEHの合成可能な薬物様阻害剤の新たな足場を発見する。
  論文  参考訳（メタデータ） (2024-05-02T16:39:21Z)
• 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)
• Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
  薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。 このシステムは、薬物のような化合物と標的特異的な生物活性分子の大規模なデータセットを用いて訓練される。 オープンアクセスされた薬物遺伝子を用いて、他の薬剤性タンパク質のモデルを容易に訓練することができる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:27Z)
• 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)
• 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)
• 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)
• 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。