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
- 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) - A Systematic Assessment of Deep Learning Models for Molecule Generation [70.59828655929194]
薬物発見のための生成モデル評価のための広範囲なテストベッドを提案する。
文献で提案した多くのモデルから得られた結果について述べる。
論文 参考訳(メタデータ) (2020-08-20T19:13:31Z) - 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 Graph Models for Retrosynthesis Prediction [90.15523831087269]
再合成予測は有機合成の基本的な問題である。
本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。
提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
論文 参考訳(メタデータ) (2020-06-12T09:40:42Z) - 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) - 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。
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。