論文の概要: Benchmarking Deep Graph Generative Models for Optimizing New Drug Molecules for COVID-19

• arxiv url: http://arxiv.org/abs/2102.04977v1
• Date: Tue, 9 Feb 2021 17:49:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 17:30:52.327361
• Title: Benchmarking Deep Graph Generative Models for Optimizing New Drug Molecules for COVID-19
• Title（参考訳）: 新規薬物分子最適化のための深層グラフ生成モデルのベンチマーク
• Authors: Logan Ward and Jenna A. Bilbrey and Sutanay Choudhury and Neeraj Kumar and Ganesh Sivaraman
• Abstract要約: ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。 本稿では、グラフ生成モデルに基づく小さな薬物分子設計パイプラインと、新型コロナウイルスの標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究について述べる。
• 参考スコア（独自算出の注目度）: 11.853524110656991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Design of new drug compounds with target properties is a key area of research in generative modeling. We present a small drug molecule design pipeline based on graph-generative models and a comparison study of two state-of-the-art graph generative models for designing COVID-19 targeted drug candidates: 1) a variational autoencoder-based approach (VAE) that uses prior knowledge of molecules that have been shown to be effective for earlier coronavirus treatments and 2) a deep Q-learning method (DQN) that generates optimized molecules without any proximity constraints. We evaluate the novelty of the automated molecule generation approaches by validating the candidate molecules with drug-protein binding affinity models. The VAE method produced two novel molecules with similar structures to the antiretroviral protease inhibitor Indinavir that show potential binding affinity for the SARS-CoV-2 protein target 3-chymotrypsin-like protease (3CL-protease).
• Abstract（参考訳）: ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。 筆者らは, グラフ生成モデルに基づく小型な薬物分子設計パイプラインと, 標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究を行った。1) 早期の新型コロナウイルス治療に有効な分子の事前知識を用いた変動型オートエンコーダ(VAE)と, 2) 近接制約のない最適化分子を生産する深部Q-ラーニング法(DQN)である。 薬物結合親和性モデルを用いた候補分子の検証により, 自動分子生成手法の新規性を評価する。 vae法は、sars-cov-2タンパク質の3-キモトリプシン様プロテアーゼ(3cl-プロテアーゼ)に対する結合性を示す抗レトロウイルスプロテアーゼ阻害剤indinavirと類似した構造を持つ2つの新規分子を作製した。

関連論文リスト

• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。 MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• 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)
• DiffDTM: A conditional structure-free framework for bioactive molecules generation targeted for dual proteins [35.72694124335747]
  DiffDTMは、二重ターゲット分子生成のための拡散モデルに基づく条件付き構造自由な深層生成モデルである。 我々は、DiffDTMが薬物様、合成可能、新規、高結合性アフィニティ分子を生成できることを実証するために、総合的な多視点実験を行った。 実験結果から,DiffDTMは見知らぬ二重ターゲットに容易に接続して生体活性分子を生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-06-24T13:08:55Z)
• Multi-view deep learning based molecule design and structural optimization accelerates the SARS-CoV-2 inhibitor discovery [10.974317147338303]
  分子生成, 構造最適化, およびSARS-CoV-2インヒビターディスコリピーのためのMulti-viEw Deep生成モデルであるMEDICOを提案する。 評価実験の結果,MEDICOは, 有効, 特異, 新規な分子を生成する上で, 最先端の手法を著しく上回っていることがわかった。 SARS-CoV-2主プロテアーゼ(Mpro)の標的分子生成に関するケーススタディでは、分子ドッキングをケミカルプライオリとしてモデルに組み込むことで、Mproにドラッグライクな性質を持つ新しい小さな分子を生成できることが示され、コビッドのデノボ設計が加速される可能性が示唆された。
  論文  参考訳（メタデータ） (2022-12-03T08:21:13Z)
• 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)
• Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
  構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。 本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。 概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
  論文  参考訳（メタデータ） (2022-08-14T10:41:52Z)
• 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)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• 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)
• 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)

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。