論文の概要: AlphaFold Accelerates Artificial Intelligence Powered Drug Discovery:
Efficient Discovery of a Novel Cyclin-dependent Kinase 20 (CDK20) Small
Molecule Inhibitor
- arxiv url: http://arxiv.org/abs/2201.09647v1
- Date: Fri, 21 Jan 2022 07:35:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 15:31:27.132424
- Title: AlphaFold Accelerates Artificial Intelligence Powered Drug Discovery:
Efficient Discovery of a Novel Cyclin-dependent Kinase 20 (CDK20) Small
Molecule Inhibitor
- Title(参考訳): AlphaFoldは人工知能による薬物発見を加速する:新しいサイクリン依存性キナーゼ20(CDK20)小分子インヒビターの効率的な発見
- Authors: Feng Ren, Xiao Ding, Min Zheng, Mikhail Korzinkin, Xin Cai, Wei Zhu,
Alexey Mantsyzov, Alex Aliper, Vladimir Aladinskiy, Zhongying Cao, Shanshan
Kong, Xi Long, Bonnie Hei Man Liu, Yingtao Liu, Vladimir Naumov, Anastasia
Shneyderman, Ivan V. Ozerov, Ju Wang, Frank W. Pun, Alan Aspuru-Guzik,
Michael Levitt, and Alex Zhavoronkov
- Abstract要約: 我々はAlphaFoldを用いて、実験構造のない新規ターゲットの第一級ヒット分子の同定に成功した。
ターゲット選択後30日以内にKd値8.9 +/-1.6 uMのCDK20の分子ヒット化合物を同定した。
これはCDK20を標的とする最初の小さな分子であり、さらに重要なことは、初期の薬物発見におけるヒット同定プロセスにおけるAlphaFoldの応用の初めての実演である。
- 参考スコア(独自算出の注目度): 9.89420507558956
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The AlphaFold computer program predicted protein structures for the whole
human genome, which has been considered as a remarkable breakthrough both in
artificial intelligence (AI) application and structural biology. Despite the
varying confidence level, these predicted structures still could significantly
contribute to the structure-based drug design of novel targets, especially the
ones with no or limited structural information. In this work, we successfully
applied AlphaFold in our end-to-end AI-powered drug discovery engines
constituted of a biocomputational platform PandaOmics and a generative
chemistry platform Chemistry42, to identify a first-in-class hit molecule of a
novel target without an experimental structure starting from target selection
towards hit identification in a cost- and time-efficient manner. PandaOmics
provided the targets of interest and Chemistry42 generated the molecules based
on the AlphaFold predicted structure, and the selected molecules were
synthesized and tested in biological assays. Through this approach, we
identified a small molecule hit compound for CDK20 with a Kd value of 8.9 +/-
1.6 uM (n = 4) within 30 days from target selection and after only synthesizing
7 compounds. To the best of our knowledge, this is the first reported small
molecule targeting CDK20 and more importantly, this work is the first
demonstration of AlphaFold application in the hit identification process in
early drug discovery.
- Abstract(参考訳): AlphaFoldのコンピュータプログラムはヒトゲノム全体のタンパク質構造を予測し、人工知能(AI)の応用と構造生物学の両方において驚くべきブレークスルーと見なされてきた。
信頼度は様々だが、これらの予測された構造は、新しい標的、特に構造情報に制限のあるものの構造に基づく薬物設計に大きく貢献する可能性がある。
本研究では, 生物計算プラットフォーム pandaomics と生成化学プラットフォーム chemistry42 からなる, エンド・ツー・エンドのai による創薬エンジンに alphafold を適用し, ターゲット選択からヒット同定まで, コストと時間効率の面で実験的な構造を持たず, 新規標的のクラス内ヒット分子を同定した。
パンダオミクスは興味の対象を提供し、化学42はアルファフォールド予測構造に基づいて分子を生成し、選択された分子は生物学的アッセイで合成されテストされた。
このアプローチにより,ターゲット選択から30日以内にkd値が8.9 +/1.6 um (n = 4)のcdk20の小さな分子ヒット化合物を7つの化合物を合成した後に同定した。
我々の知る限りでは、これはCDK20を標的とする最初の報告された小さな分子であり、さらに重要なことは、初期の薬物発見におけるヒット識別プロセスにおけるAlphaFoldの応用の初めての実演である。
関連論文リスト
- Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。
最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文 参考訳(メタデータ) (2024-07-01T06:10:29Z) - Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。
このシステムは、薬物のような化合物と標的特異的な生物活性分子の大規模なデータセットを用いて訓練される。
オープンアクセスされた薬物遺伝子を用いて、他の薬剤性タンパク質のモデルを容易に訓練することができる。
論文 参考訳(メタデータ) (2023-02-15T18:59:27Z) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳(メタデータ) (2022-08-30T09:32:39Z) - Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based
Reinforcement Learning Model [4.815696666006742]
構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。
本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。
概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
論文 参考訳(メタデータ) (2022-08-14T10:41:52Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳(メタデータ) (2021-10-14T13:28:02Z) - Benchmarking Deep Graph Generative Models for Optimizing New Drug
Molecules for COVID-19 [11.853524110656991]
ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。
本稿では、グラフ生成モデルに基づく小さな薬物分子設計パイプラインと、新型コロナウイルスの標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究について述べる。
論文 参考訳(メタデータ) (2021-02-09T17:49:26Z) - Chemistry42: An AI-based platform for de novo molecular design [48.40662244096031]
Chemistry42は、de novo小分子設計のためのソフトウェアプラットフォームです。
人工知能(AI)技術と、計算および医薬化学の手法を統合する。
論文 参考訳(メタデータ) (2021-01-22T10:49:26Z) - 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) - CogMol: Target-Specific and Selective Drug Design for COVID-19 Using
Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。
CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。
CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文 参考訳(メタデータ) (2020-04-02T18:17:20Z)
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。