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: 処理完了
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

Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
本稿では,選択された標的タンパク質と相互作用する薬物候補分子のデノボ設計のための薬物遺伝子を提案する。医薬品は、ChEMBLおよび標的特異的な生物活性分子からの大量の化合物のデータセットを用いて訓練される。
論文参考訳（メタデータ） (2023-02-15T18:59:27Z)
A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文参考訳（メタデータ） (2022-09-12T00:56:57Z)
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)
Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文参考訳（メタデータ） (2022-02-01T18:54:24Z)
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)
CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文参考訳（メタデータ） (2020-04-02T18:17:20Z)
The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
機能性分子の発見は高価で時間を要するプロセスである。初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
論文参考訳（メタデータ） (2020-02-17T15:41:28Z)

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。