Fugu-MT 論文翻訳(概要): Chemistry42: An AI-based platform for de novo molecular design

論文の概要: Chemistry42: An AI-based platform for de novo molecular design

arxiv url: http://arxiv.org/abs/2101.09050v1
Date: Fri, 22 Jan 2021 10:49:26 GMT
ステータス: 翻訳完了
システム内更新日: 2021-03-20 17:20:15.675145
Title: Chemistry42: An AI-based platform for de novo molecular design
Title（参考訳）: Chemistry42:デノボ分子設計のためのAIベースのプラットフォーム
Authors: Yan A. Ivanenkov, Alex Zhebrak, Dmitry Bezrukov, Bogdan Zagribelnyy, Vladimir Aladinskiy, Daniil Polykovskiy, Evgeny Putin, Petrina Kamya, Alexander Aliper, Alex Zhavoronkov
Abstract要約: Chemistry42は、de novo小分子設計のためのソフトウェアプラットフォームです。人工知能(AI)技術と、計算および医薬化学の手法を統合する。
参考スコア（独自算出の注目度）: 48.40662244096031
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Chemistry42 is a software platform for de novo small molecule design that integrates Artificial Intelligence (AI) techniques with computational and medicinal chemistry methods. Chemistry42 is unique in its ability to generate novel molecular structures with predefined properties validated through in vitro and in vivo studies. Chemistry42 is a core component of Insilico Medicine Pharma.ai drug discovery suite that also includes target discovery and multi-omics data analysis (PandaOmics) and clinical trial outcomes predictions (InClinico).
Abstract（参考訳）: Chemistry42は、人工知能(AI)技術と計算および医学的な化学手法を統合する、デノボ小分子設計のためのソフトウェアプラットフォームである。ケミカル42は、in vitroおよびin vivo研究によって事前に定義された性質を持つ新規な分子構造を生成する能力に特有である。化学42は、Insilico Medicine Pharma.aiドラッグ発見スイートの中核的なコンポーネントであり、ターゲット発見とマルチオミクスデータ分析(PandaOmics)、臨床試験結果予測(InClinico)も含む。

関連論文リスト

Chem42: a Family of chemical Language Models for Target-aware Ligand Generation [3.2039076408339353]
Chem42は、生成化学言語モデルの最先端のファミリーである。分子構造、相互作用、結合パターンの洗練されたクロスモーダル表現を実現する。有効な薬物候補の探索スペースを減らすことで、Chem42は薬物発見パイプラインを加速することができる。
論文参考訳（メタデータ） (2025-03-20T07:07:30Z)
Improving Targeted Molecule Generation through Language Model Fine-Tuning Via Reinforcement Learning [0.0]
我々は,特定のタンパク質を標的とした薬物を設計する言語モデルの能力を活用する,革新的なデノボドラッグデザイン戦略を導入する。本手法は, 薬物-標的相互作用と分子的妥当性を考慮した複合報酬関数を統合する。
論文参考訳（メタデータ） (2024-05-10T22:19:12Z)
Interactive Molecular Discovery with Natural Language [69.89287960545903]
対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
論文参考訳（メタデータ） (2023-06-21T02:05:48Z)
QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文参考訳（メタデータ） (2023-06-15T23:39:07Z)
An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文参考訳（メタデータ） (2023-04-12T13:34:22Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
Semi-Supervised GCN for learning Molecular Structure-Activity Relationships [4.468952886990851]
そこで本稿では,半教師付き学習を用いたグラフ-グラフ間ニューラルネットワークの学習手法を提案する。最終目標として、我々のアプローチは、アクティビティ崖、リード最適化、デノボドラッグデザインといった問題に対処するための貴重なツールとなる可能性がある。
論文参考訳（メタデータ） (2022-01-25T09:09:43Z)
AlphaFold Accelerates Artificial Intelligence Powered Drug Discovery: Efficient Discovery of a Novel Cyclin-dependent Kinase 20 (CDK20) Small Molecule Inhibitor [9.89420507558956]
我々はAlphaFoldを用いて、実験構造のない新規ターゲットの第一級ヒット分子の同定に成功した。ターゲット選択後30日以内にKd値8.9 +/-1.6 uMのCDK20の分子ヒット化合物を同定した。これはCDK20を標的とする最初の小さな分子であり、さらに重要なことは、初期の薬物発見におけるヒット同定プロセスにおけるAlphaFoldの応用の初めての実演である。
論文参考訳（メタデータ） (2022-01-21T07:35:24Z)
Graph Energy-based Model for Substructure Preserving Molecular Design [15.939981475281309]
グラフエネルギーベースのモデル(GEM)は、サブ構造を修正し、残りを生成することができます。実験の結果、化学データセットから訓練されたGEMは、新しい分子を生成することに成功した。
論文参考訳（メタデータ） (2021-02-09T01:46:12Z)
Advanced Graph and Sequence Neural Networks for Molecular Property Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文参考訳（メタデータ） (2020-12-02T02:09:31Z)

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。