論文の概要: DMInet: An Accurate and Highly Flexible Deep Learning Framework for Drug Discovery with Membrane Selectivity

• arxiv url: http://arxiv.org/abs/2105.13928v1
• Date: Thu, 27 May 2021 14:45:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 02:37:25.272707
• Title: DMInet: An Accurate and Highly Flexible Deep Learning Framework for Drug Discovery with Membrane Selectivity
• Title（参考訳）: DMInet:膜選択性のある薬物発見のための高精度で柔軟なディープラーニングフレームワーク
• Authors: Guang Chen
• Abstract要約: 薬物-膜相互作用を研究するための新しい深層学習フレームワークDMInetを提案する。 DMInetのネットワークは3つの入力を受け取ります。 DMInetは、物理ベースのシミュレーションだけで調べられるよりもはるかに大きな化学領域にわたる薬物発見において、より高速な高スループットスクリーニングを行う可能性がある。
• 参考スコア（独自算出の注目度）: 2.5671269906461376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug membrane interaction is a very significant bioprocess to consider in drug discovery. Here, we propose a novel deep learning framework coined DMInet to study drug-membrane interactions that leverages large-scale Martini coarse-grained molecular simulations of permeation of drug-like molecules across six different lipid membranes. The network of DMInet receives three inputs, viz, the drug-like molecule, membrane type and spatial distance across membrane thickness, and predicts the potential of mean force with structural resolution across the lipid membrane and membrane selectivity. Inheriting from coarse-grained Martini representation of organic molecules and combined with deep learning, DMInet has the potential for more accelerated high throughput screening in drug discovery across a much larger chemical space than that can be explored by physics-based simulations alone. Moreover, DMInet is highly flexible in its nature and holds the possibilities for other properties prediction without significant change of the architecture. Last but not least, the architecture of DMInet is general and can be applied to other membrane problems involving permeation and selection.
• Abstract（参考訳）: 薬物膜相互作用は、創薬において非常に重要なバイオプロセスである。 本稿では,6種類の脂質膜にまたがる薬物様分子の透過に関する大規模マルティニ粗粒分子シミュレーションを活用し,薬物-膜相互作用を研究するために,dminetという新しい深層学習フレームワークを提案する。 DMInetのネットワークは、Viz、薬物様分子、膜型および膜厚間の空間距離の3つの入力を受け取り、膜膜を横断する構造分解能と膜選択性で平均力のポテンシャルを予測する。 DMInetは、有機分子の粗粒化マルティニーの表現と深層学習の組み合わせを継承し、物理ベースのシミュレーションだけで調べられるよりもはるかに大きな化学空間における薬物発見において、より高速な高スループットスクリーニングを行う可能性がある。 さらに、DMInetはその性質上非常に柔軟であり、アーキテクチャに大きな変更を加えることなく、他の特性予測の可能性を持っている。 最後に、DMInetのアーキテクチャは一般的なものであり、透過と選択を含む他の膜問題にも適用できる。

関連論文リスト

• Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage [16.745564099126575]
  我々は、薬物様分子のアンバー互換力場であるByteFFを開発した。 本モデルでは, 薬物様分子のすべての結合および非結合MM力場パラメータを, 広い化学空間にわたって同時に予測する。
  論文  参考訳（メタデータ） (2024-08-23T03:37:06Z)
• LDMol: Text-to-Molecule Diffusion Model with Structurally Informative Latent Space [55.5427001668863]
  テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。 LDMolは、学習可能で構造的に有意な特徴空間を生成する分子オートエンコーダを含む。 我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
  論文  参考訳（メタデータ） (2024-05-28T04:59:13Z)
• Multi-objective Molecular Optimization for Opioid Use Disorder Treatment Using Generative Network Complex [5.33208055504216]
  オピオイド・ユース障害(OUD)が世界的な健康問題として浮上している。 本研究では,微分方程式(SDE)に基づく拡散モデルと事前学習された自己エンコーダモデルの潜在空間を結合した深部生成モデルを提案する。 分子発生器は、複数の標的に有効である分子の効率的な生成を可能にする。
  論文  参考訳（メタデータ） (2023-06-13T01:12:31Z)
• 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)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Hybrid quantum-classical machine learning for generative chemistry and drug design [0.0]
  そこで我々は,Boltzmann Machine (RBM) を用いた小型離散分散変分オートエンコーダを構築した。 医薬化学および合成アクセシビリティ特性を有する新規な2331の化学構造を創出する。 結果は、既に存在するか、あるいはすぐに利用可能となる量子コンピューティングデバイスを、将来の薬物発見アプリケーションのためのテストベッドとして使用できる可能性を示している。
  論文  参考訳（メタデータ） (2021-08-26T08:23:32Z)
• ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
  近年、深層ニューラルネットワークが注目されている。 本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。 これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
  論文  参考訳（メタデータ） (2020-12-07T20:18:23Z)
• 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)
• DeepGS: Deep Representation Learning of Graphs and Sequences for Drug-Target Binding Affinity Prediction [8.292330541203647]
  本稿では、ディープニューラルネットワークを用いて、アミノ酸やSMILES配列から局所的な化学コンテキストを抽出する、DeepGSと呼ばれる新しいエンドツーエンド学習フレームワークを提案する。 我々は提案手法を,KronRLS,Sim,DeepDTA,DeepCPIといった最先端モデルと比較するための広範な実験を行った。
  論文  参考訳（メタデータ） (2020-03-31T01:35:39Z)

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。