論文の概要: Molecule Optimization via Fragment-based Generative Models
- arxiv url: http://arxiv.org/abs/2012.04231v2
- Date: Tue, 12 Jan 2021 16:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 09:32:38.423084
- Title: Molecule Optimization via Fragment-based Generative Models
- Title(参考訳): フラグメントに基づく生成モデルによる分子最適化
- Authors: Ziqi Chen, Martin Renqiang Min, Srinivasan Parthasarathy, Xia Ning
- Abstract要約: 創薬において、分子最適化は、望ましい薬物特性の観点から薬候補をより良いものにするための重要なステップである。
本稿では,計算量最適化分子に対する革新的シリコアプローチを提案し,最適化分子グラフを生成するために問題を定式化する。
我々の生成モデルはフラグメントベースの薬物設計の重要なアイデアに従い、小さなフラグメントを変更することで分子を最適化します。
- 参考スコア(独自算出の注目度): 21.888942129750124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In drug discovery, molecule optimization is an important step in order to
modify drug candidates into better ones in terms of desired drug properties.
With the recent advance of Artificial Intelligence, this traditionally in vitro
process has been increasingly facilitated by in silico approaches. We present
an innovative in silico approach to computationally optimizing molecules and
formulate the problem as to generate optimized molecular graphs via deep
generative models. Our generative models follow the key idea of fragment-based
drug design, and optimize molecules by modifying their small fragments. Our
models learn how to identify the to-be-optimized fragments and how to modify
such fragments by learning from the difference of molecules that have good and
bad properties. In optimizing a new molecule, our models apply the learned
signals to decode optimized fragments at the predicted location of the
fragments. We also construct multiple such models into a pipeline such that
each of the models in the pipeline is able to optimize one fragment, and thus
the entire pipeline is able to modify multiple fragments of molecule if needed.
We compare our models with other state-of-the-art methods on benchmark datasets
and demonstrate that our methods significantly outperform others with more than
80% property improvement under moderate molecular similarity constraints, and
more than 10% property improvement under high molecular similarity constraints.
- Abstract(参考訳): 創薬において、分子最適化は、望ましい薬物特性の観点から薬候補をより良いものにするための重要なステップである。
近年の人工知能の進歩により、従来のin vitroプロセスはシリコアプローチによってますます促進されている。
本稿では,計算量最適化分子に対する革新的シリコアプローチを提案し,深層生成モデルを用いて最適化された分子グラフを生成する問題を定式化する。
我々の生成モデルはフラグメントベースの薬物設計の重要なアイデアに従い、小さなフラグメントを変更することで分子を最適化します。
我々のモデルは、最適化されたフラグメントの特定方法と、良い性質と悪い性質を持つ分子の違いから、これらのフラグメントの修正方法を学ぶ。
新しい分子を最適化するために、我々のモデルは、予測されたフラグメントの位置で最適化されたフラグメントをデコードするために学習信号を適用します。
また、パイプライン内の各モデルが1つのフラグメントを最適化できるように、パイプライン内に複数のモデルを構築します。
提案手法は, 分子類似性制約下で80%以上の特性改善, 高分子類似性制約下で10%以上の特性改善により, 他者よりも顕著に優れていることを示す。
関連論文リスト
- Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。
TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。
提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
論文 参考訳(メタデータ) (2024-10-17T14:30:27Z) - XMOL: Explainable Multi-property Optimization of Molecules [2.320539066224081]
複数の分子特性を同時に最適化するために,分子のマルチプロパティ最適化(XMOL)を提案する。
我々のアプローチは、最先端の幾何学的拡散モデルに基づいており、それらをマルチプロパティ最適化に拡張している。
最適化プロセス全体を通して解釈的および説明可能な技術を統合する。
論文 参考訳(メタデータ) (2024-09-12T06:35:04Z) - Small Molecule Optimization with Large Language Models [17.874902319523663]
計算特性を持つ110M分子の新規コーパスを微調整した2つの言語モデルについて述べる。
ブラックボックスオラクルへのアクセスに制限がある場合、言語モデルを利用して任意の特性の分子を最適化する新しい最適化アルゴリズムを導入する。
論文 参考訳(メタデータ) (2024-07-26T17:51:33Z) - Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。
最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文 参考訳(メタデータ) (2024-07-01T06:10:29Z) - Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳(メタデータ) (2023-10-05T11:43:21Z) - 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) - CELLS: Cost-Effective Evolution in Latent Space for Goal-Directed
Molecular Generation [23.618366377098614]
本稿では,分子潜在表現ベクトルを最適化した遅延空間におけるコスト効率のよい進化戦略を提案する。
我々は、潜伏空間と観測空間をマッピングするために、事前訓練された分子生成モデルを採用する。
提案手法といくつかの高度な手法を比較した複数の最適化タスクについて広範な実験を行った。
論文 参考訳(メタデータ) (2021-11-30T11:02:18Z) - 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) - 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 [51.00815310242277]
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)
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。