論文の概要: Designing a Prospective COVID-19 Therapeutic with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2012.01736v1
• Date: Thu, 3 Dec 2020 07:35:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 14:42:29.083713
• Title: Designing a Prospective COVID-19 Therapeutic with Reinforcement Learning
• Title（参考訳）: 強化学習による新型コロナウイルス治療の展望
• Authors: Marcin J. Skwark, Nicol\'as L\'opez Carranza, Thomas Pierrot, Joe Phillips, Slim Said, Alexandre Laterre, Amine Kerkeni, U\u{g}ur \c{S}ahin, Karim Beguir
• Abstract要約: SARS-CoV-2パンデミックは、治療のための世界的なレースを生み出した。 1つのアプローチは、ヒトアンジオテンシン変換酵素2(ACE2)の新規な変異体の設計に焦点を当てる 我々は、強化学習問題として、新しいタンパク質設計の枠組みを定式化する。
• 参考スコア（独自算出の注目度）: 50.57291257437373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The SARS-CoV-2 pandemic has created a global race for a cure. One approach focuses on designing a novel variant of the human angiotensin-converting enzyme 2 (ACE2) that binds more tightly to the SARS-CoV-2 spike protein and diverts it from human cells. Here we formulate a novel protein design framework as a reinforcement learning problem. We generate new designs efficiently through the combination of a fast, biologically-grounded reward function and sequential action-space formulation. The use of Policy Gradients reduces the compute budget needed to reach consistent, high-quality designs by at least an order of magnitude compared to standard methods. Complexes designed by this method have been validated by molecular dynamics simulations, confirming their increased stability. This suggests that combining leading protein design methods with modern deep reinforcement learning is a viable path for discovering a Covid-19 cure and may accelerate design of peptide-based therapeutics for other diseases.
• Abstract（参考訳）: SARS-CoV-2パンデミックは、治療のための世界的なレースを生み出した。 1つのアプローチは、SARS-CoV-2スパイクタンパク質により強く結合し、ヒト細胞から分離するヒトアンジオテンシン変換酵素2(ACE2)の新規な変異体を設計することに焦点を当てている。 ここでは強化学習問題として新しいタンパク質設計枠組みを定式化する。 高速で生物学的な報酬関数とシーケンシャルな行動空間の定式化を組み合わせて,新しいデザインを効率的に生成する。 ポリシーグラディエントの使用により、一貫した高品質な設計に到達するために必要な計算予算を、標準手法に比べて少なくとも桁違いに削減できる。 この方法で設計された錯体は分子動力学シミュレーションによって検証され、安定性が増すことが確認された。 これは、主要なタンパク質設計法と現代の深層強化学習を組み合わせることは、新型コロナウイルスの治療法の発見に有効な経路であり、他の疾患に対するペプチドベースの治療法の設計を加速する可能性があることを示唆している。

関連論文リスト

• A Comprehensive Review of Emerging Approaches in Machine Learning for De Novo PROTAC Design [1.534667887016089]
  標的タンパク質分解(TPD)は、細胞の自然分解経路を利用して細胞内のタンパク質レベルを調節することを目的としている。 プロテオリシス標的キメラ(PROTAC)はPD戦略の中心にある。 このような複雑な分子を設計するための伝統的な手法には限界がある。
  論文  参考訳（メタデータ） (2024-06-24T14:42:27Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Improving few-shot learning-based protein engineering with evolutionary sampling [0.0]
  本稿では,高価なウェットラボテストサイクルを加速することを目的とした,新規なタンパク質設計のための数発の学習手法を提案する。 提案手法は, 所望のタンパク質機能に対する個別のフィットネスランドスケープを生成する半教師ありトランスファー学習法と, 新たな進化的モンテカルロ連鎖サンプリングアルゴリズムとから構成される。 予測された高適合性遺伝子アクチベーターを実験的にスクリーニングすることにより,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-05-23T23:07:53Z)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• Structured Q-learning For Antibody Design [82.78798397798533]
  抗体設計における重要なステップの1つは、病原体との結合を改善するタンパク質配列中のアミノ酸の配列を見つけることである。 非常に大きな探索空間と非線形目的のために、抗体の組合せ最適化は困難である。 従来の強化学習を抗体設計の最適化に適用すると、性能は低下する。 本稿では,Q-ラーニングの拡張であるQ-ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-09-10T15:36:55Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• Evening the Score: Targeting SARS-CoV-2 Protease Inhibition in Graph Generative Models for Therapeutic Candidates [11.853524110656991]
  SARS-CoV-2ウイルスタンパク質を標的とした新規薬物候補の治療法設計について検討する。 抗SARS活性を持つ薬物のデータセットに類似した構造を持つ分子を生成するオートエンコーダを用いる。 生成過程において、薬物類似性、合成アクセシビリティ、および抗SARS活性のバランスをとるために、いくつかの設計目標に対する最適化を検討する。
  論文  参考訳（メタデータ） (2021-05-07T18:39:25Z)
• High-Throughput Virtual Screening of Small Molecule Inhibitors for SARS-CoV-2 Protein Targets with Deep Fusion Models [3.8075853084146023]
  新型コロナウイルスによる4つのタンパク質構造(SARS-CoV-2)に対して、5億以上の小分子がスクリーニングされた。 SARS-CoV-2タンパク質ターゲットに対する50億以上のドッキングポーズを評価するために、Deep Fusionの3つの強化が行われた。
  論文  参考訳（メタデータ） (2021-04-09T18:18:26Z)
• PaccMann$^{RL}$ on SARS-CoV-2: Designing antiviral candidates with conditional generative models [2.0750380105212116]
  新型コロナウイルス(COVID-19)の世界的なパンデミックへの急速な発展に伴い、世界中の科学者が、効果的な抗ウイルス治療薬を必死に探している。 タンパク質標的に適合した抗ウイルス候補薬の条件付きデノボ設計のための深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-27T11:30:15Z)

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。