Fugu-MT 論文翻訳(概要): Deep Denerative Models for Drug Design and Response

論文の概要: Deep Denerative Models for Drug Design and Response

arxiv url: http://arxiv.org/abs/2109.06469v1
Date: Tue, 14 Sep 2021 06:33:56 GMT
ステータス: 処理完了
システム内更新日: 2021-09-16 02:23:13.714241
Title: Deep Denerative Models for Drug Design and Response
Title（参考訳）: 薬物設計と反応のための深層変性モデル
Authors: Karina Zadorozhny, Lada Nuzhna
Abstract要約: 深部生成モデリングの最近の成功は、新しい分子の生成と最適化の可能性を秘めている。本稿では, 化学・生物データベース, 生成モデリングツールについて紹介する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Designing new chemical compounds with desired pharmaceutical properties is a challenging task and takes years of development and testing. Still, a majority of new drugs fail to prove efficient. Recent success of deep generative modeling holds promises of generation and optimization of new molecules. In this review paper, we provide an overview of the current generative models, and describe necessary biological and chemical terminology, including molecular representations needed to understand the field of drug design and drug response. We present commonly used chemical and biological databases, and tools for generative modeling. Finally, we summarize the current state of generative modeling for drug design and drug response prediction, highlighting the state-of-art approaches and limitations the field is currently facing.
Abstract（参考訳）: 医薬特性が望ましい化合物を新規に設計することは難しい課題であり、開発と試験に何年もかかる。しかし、新薬の大多数は効果を証明できない。近年の深部生成モデリングの成功は、新しい分子の生成と最適化を約束している。本稿では,現在の生成モデルの概要を述べるとともに,薬物設計と薬物応答の分野を理解するために必要な分子表現を含む,生物・化学用語について述べる。本稿では化学・生物学的データベースと生成モデリングツールについて述べる。最後に,薬物設計と薬物応答予測のための生成モデリングの現状を概説し,現在この分野が直面している最先端のアプローチと限界を強調する。

関連論文リスト

GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
論文参考訳（メタデータ） (2024-11-03T19:45:15Z)
Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation [0.6800113478497425]
我々は、分子の最も単純な表現に戻り、古典的生成的アプローチの見過ごされた制限を調査する。本稿では, 分子配列の妥当性, 条件生成, スタイル伝達を改善するために, 両者の強みを生かした, 新規な正則化器の形でのハイブリッドモデルを提案する。
論文参考訳（メタデータ） (2024-08-19T11:50:23Z)
BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文参考訳（メタデータ） (2024-08-19T05:17:40Z)
Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文参考訳（メタデータ） (2023-06-09T03:04:21Z)
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)
Bridging the Gap between Chemical Reaction Pretraining and Conditional Molecule Generation with a Unified Model [3.3031562864527664]
反応表現学習と分子生成の両課題に対処する統合フレームワークを提案する。有機化学機構にインスパイアされた我々は,モデルに誘導バイアスを組み込むことのできる,新しい事前学習フレームワークを開発した。我々のフレームワークは、ダウンストリームタスクに挑戦する上で、最先端の結果を達成する。
論文参考訳（メタデータ） (2023-03-13T10:06:41Z)
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)
Generative chemistry: drug discovery with deep learning generative models [0.0]
本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
論文参考訳（メタデータ） (2020-08-20T14:38:21Z)
Visualizing Deep Graph Generative Models for Drug Discovery [16.78530326723672]
深部グラフ生成モデルの符号化・復号過程において生成する分子を可視化する可視化フレームワークを提案する。私たちの研究は、ブラックボックスAIによる薬物発見モデルに視覚的解釈能力を持たせることを目的としています。
論文参考訳（メタデータ） (2020-07-20T18:49:10Z)
Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。