論文の概要: Generating 3D Molecules Conditional on Receptor Binding Sites with Deep Generative Models

• arxiv url: http://arxiv.org/abs/2110.15200v1
• Date: Thu, 28 Oct 2021 15:17:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 21:06:06.590015
• Title: Generating 3D Molecules Conditional on Receptor Binding Sites with Deep Generative Models
• Title（参考訳）: 深部生成モデルを用いた受容体結合部位の3次元分子生成
• Authors: Matthew Ragoza, Tomohide Masuda, David Ryan Koes
• Abstract要約: 本稿では,受容体結合部位に条件付き3次元分子構造を生成する深層学習システムについて述べる。 生成原子密度から有効な分子配座を構築するために原子フィッティング法と結合推論法を適用した。 この研究は、ディープラーニングによるタンパク質構造からの安定な生物活性分子のエンドツーエンド予測の扉を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The goal of structure-based drug discovery is to find small molecules that bind to a given target protein. Deep learning has been used to generate drug-like molecules with certain cheminformatic properties, but has not yet been applied to generating 3D molecules predicted to bind to proteins by sampling the conditional distribution of protein-ligand binding interactions. In this work, we describe for the first time a deep learning system for generating 3D molecular structures conditioned on a receptor binding site. We approach the problem using a conditional variational autoencoder trained on an atomic density grid representation of cross-docked protein-ligand structures. We apply atom fitting and bond inference procedures to construct valid molecular conformations from generated atomic densities. We evaluate the properties of the generated molecules and demonstrate that they change significantly when conditioned on mutated receptors. We also explore the latent space learned by our generative model using sampling and interpolation techniques. This work opens the door for end-to-end prediction of stable bioactive molecules from protein structures with deep learning.
• Abstract（参考訳）: 構造に基づく創薬の目標は、特定の標的タンパク質に結合する小さな分子を見つけることである。 深層学習は特定の化学工学的性質を持つ薬物様分子の生成に用いられてきたが、タンパク質-リガンド結合相互作用の条件的分布をサンプリングすることでタンパク質と結合すると予測される3d分子の生成にはまだ適用されていない。 本稿では,受容体結合部位に条件付けられた3次元分子構造を生成するための深層学習システムについて述べる。 クロスドッキングしたタンパク質リガンド構造の原子密度グリッド表現を訓練した条件付き変分オートエンコーダを用いてこの問題にアプローチする。 生成原子密度から有効な分子コンフォメーションを構築するために原子適合法と結合推論法を適用する。 生成分子の特性を評価し, 変異受容体を条件づけた場合, それらが著しく変化することを示した。 また,サンプリングと補間技術を用いて生成モデルから学習した潜時空間についても検討する。 この研究は、ディープラーニングによるタンパク質構造からの安定な生物活性分子のエンドツーエンド予測の扉を開く。

関連論文リスト

• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• Autoregressive fragment-based diffusion for pocket-aware ligand design [0.0]
  AutoFragDiffはフラグメントベースの自己回帰拡散モデルであり、ターゲットタンパク質構造に条件付けられた3D構造を生成する。 我々は、分子足場とタンパク質ポケットに固定された新しい分子断片の原子タイプと空間座標を予測するために幾何学的ベクトルパーセプトロンを用いる。
  論文  参考訳（メタデータ） (2023-12-15T04:03:03Z)
• 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)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• 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)
• Structure-aware generation of drug-like molecules [2.449909275410288]
  深部生成法は、新しい分子をスクラッチから提案する(デノボ設計)。 本稿では, 分子間空間における3次元ポーズと協調して分子グラフを生成する新しい教師付きモデルを提案する。 ドッキングベンチマークを用いて,ドッキングモデルの評価を行い,ドッキング生成によって予測される結合親和性が8%向上し,薬物類似度が10%向上することが確認された。
  論文  参考訳（メタデータ） (2021-11-07T15:19:54Z)
• Inverse design of 3d molecular structures with conditional generative neural networks [2.7998963147546148]
  本研究では, 特定の構造と化学的性質を有する3次元分子構造のための条件生成ニューラルネットワークを提案する。 このアプローチは化学結合とは無関係であり、条件分布から新しい分子を標的としたサンプリングを可能にする。
  論文  参考訳（メタデータ） (2021-09-10T12:12:38Z)
• Generating 3D Molecular Structures Conditional on a Receptor Binding Site with Deep Generative Models [0.0]
  本稿では,3次元分子結合ポケット上に条件付き3次元構造を生成可能な深部生成モデルについて初めて述べる。 基準種子の構造によって定義される変分潜在空間から、有効かつ特異な分子を容易にサンプリングできることが示される。
  論文  参考訳（メタデータ） (2020-10-16T16:27:47Z)

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。