論文の概要: Fragment-based molecular generative model with high generalization
ability and synthetic accessibility
- arxiv url: http://arxiv.org/abs/2111.12907v1
- Date: Thu, 25 Nov 2021 04:44:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-04 23:31:25.623003
- Title: Fragment-based molecular generative model with high generalization
ability and synthetic accessibility
- Title（参考訳）: 高汎化能と合成アクセシビリティを有するフラグメントに基づく分子生成モデル
- Authors: Seonghwan Seo, Jaechang Lim, and Woo Youn Kim
- Abstract要約: 本稿では, ターゲット特性を持つ新規分子を設計するフラグメントに基づく分子生成モデルを提案する。
我々のモデルの重要な特徴は、プロパティ制御とフラグメントタイプの観点からの高度な一般化能力である。
モデルでは,複数のターゲット特性を同時に制御した分子を高い成功率で生成できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep generative models are attracting great attention for molecular design
with desired properties. Most existing models generate molecules by
sequentially adding atoms. This often renders generated molecules with less
correlation with target properties and low synthetic accessibility. Molecular
fragments such as functional groups are more closely related to molecular
properties and synthetic accessibility than atoms. Here, we propose a
fragment-based molecular generative model which designs new molecules with
target properties by sequentially adding molecular fragments to any given
starting molecule. A key feature of our model is a high generalization ability
in terms of property control and fragment types. The former becomes possible by
learning the contribution of individual fragments to the target properties in
an auto-regressive manner. For the latter, we used a deep neural network that
predicts the bonding probability of two molecules from the embedding vectors of
the two molecules as input. The high synthetic accessibility of the generated
molecules is implicitly considered while preparing the fragment library with
the BRICS decomposition method. We show that the model can generate molecules
with the simultaneous control of multiple target properties at a high success
rate. It also works equally well with unseen fragments even in the property
range where the training data is rare, verifying the high generalization
ability. As a practical application, we demonstrated that the model can
generate potential inhibitors with high binding affinities against the 3CL
protease of SARS-COV-2 in terms of docking score.
- Abstract（参考訳）: 深層生成モデルは望ましい性質を持つ分子設計に多大な注目を集めている。
既存のモデルの多くは、原子を順次追加することで分子を生成する。
これはしばしば、ターゲット特性との相関が少なく、合成アクセシビリティが低い分子をレンダリングする。
官能基などの分子断片は、原子よりも分子の性質や合成アクセシビリティに密接に関連している。
本稿では,任意の開始分子に分子フラグメントを逐次付加することにより,ターゲット特性を持つ新規分子を設計するフラグメントベース分子生成モデルを提案する。
我々のモデルの重要な特徴は、プロパティ制御とフラグメントタイプの観点からの高度な一般化能力である。
前者は、個々のフラグメントの目標プロパティへの寄与を自己回帰的に学習することで可能となる。
後者については,入力として2分子の埋め込みベクトルから2分子の結合確率を予測するディープニューラルネットワークを用いた。
BRICS分解法を用いてフラグメントライブラリを作成する際に、生成分子の高い合成アクセシビリティを暗黙的に考慮する。
モデルでは,複数のターゲット特性を同時に制御した分子を高い成功率で生成できることを示す。
また、トレーニングデータが稀なプロパティ範囲であっても、目に見えないフラグメントと同等に機能し、高い一般化能力を検証する。
そこで本研究では,SARS-COV-2の3CLプロテアーゼに対する高い結合親和性を有する阻害剤をドッキングスコアで生成できることを実証した。
関連論文リスト
- Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - A novel molecule generative model of VAE combined with Transformer for unseen structure generation [0.0]
トランスフォーマーとVAEは強力なモデルとして広く使われているが、構造的ミスマッチと性能的ミスマッチのために組み合わせて使われることは滅多にない。
本研究では, この2つのモデルを組み合わせて, 多様な分子の処理における構造とパラメータの最適化を行うモデルを提案する。
提案モデルでは, 既存の分子生成モデルに匹敵する性能を示し, 未知の構造を持つ分子生成モデルにおいて, はるかに優れた性能を示す。
論文 参考訳（メタデータ） (2024-02-19T08:46:04Z) - STRIDE: Structure-guided Generation for Inverse Design of Molecules [0.24578723416255752]
$textbfSTRIDE$は、既知の分子によって誘導される無条件生成モデルを持つ新規分子を生成する生成分子ワークフローである。
生成分子は、平均21.7%低い合成アクセシビリティスコアを持ち、生成分子の5.9%のイオン化ポテンシャルを誘導する。
論文 参考訳（メタデータ） (2023-11-06T08:22:35Z) - Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳（メタデータ） (2023-10-05T11:43:21Z) - 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) - 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) - Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。
我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。
DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T09:13:37Z) - 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) - Multi-Objective Molecule Generation using Interpretable Substructures [38.637412590671865]
薬物発見は、特定の化学的性質を持つ新規化合物を見つけることを目的としている。
目的は、複数の性質制約の交わりで分子をサンプリングすることを学ぶことである。
我々は、分子の合理性と呼ばれる部分構造の語彙から分子を構成することによって、この複雑さを相殺することを提案する。
論文 参考訳（メタデータ） (2020-02-08T22:55:37Z)
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。