Fugu-MT 論文翻訳(概要): A 3D Molecule Generative Model for Structure-Based Drug Design

論文の概要: A 3D Molecule Generative Model for Structure-Based Drug Design

arxiv url: http://arxiv.org/abs/2203.10446v1
Date: Sun, 20 Mar 2022 03:54:47 GMT
ステータス: 処理完了
システム内更新日: 2022-03-22 18:44:44.541418
Title: A 3D Molecule Generative Model for Structure-Based Drug Design
Title（参考訳）: 構造に基づく薬物設計のための3次元分子生成モデル
Authors: Shitong Luo, Jiaqi Guan, Jianzhu Ma, Jian Peng
Abstract要約: 構造に基づく薬物設計において、特定のタンパク質結合部位に結合する分子を生成するという根本的な問題を研究する。指定された3Dタンパク質結合部位に与えられた分子を生成する3D生成モデルを提案する。
参考スコア（独自算出の注目度）: 18.29582138009123
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study a fundamental problem in structure-based drug design -- generating molecules that bind to specific protein binding sites. While we have witnessed the great success of deep generative models in drug design, the existing methods are mostly string-based or graph-based. They are limited by the lack of spatial information and thus unable to be applied to structure-based design tasks. Particularly, such models have no or little knowledge of how molecules interact with their target proteins exactly in 3D space. In this paper, we propose a 3D generative model that generates molecules given a designated 3D protein binding site. Specifically, given a binding site as the 3D context, our model estimates the probability density of atom's occurrences in 3D space -- positions that are more likely to have atoms will be assigned higher probability. To generate 3D molecules, we propose an auto-regressive sampling scheme -- atoms are sampled sequentially from the learned distribution until there is no room for new atoms. Combined with this sampling scheme, our model can generate valid and diverse molecules, which could be applicable to various structure-based molecular design tasks such as molecule sampling and linker design. Experimental results demonstrate that molecules sampled from our model exhibit high binding affinity to specific targets and good drug properties such as drug-likeness even if the model is not explicitly optimized for them.
Abstract（参考訳）: 我々は、特定のタンパク質結合部位に結合する分子を生成する構造に基づく薬物設計における根本的な問題を研究する。薬物設計における深層生成モデルの成功をわれわれは見てきたが、既存の手法は主に文字列ベースかグラフベースである。これらは空間情報の欠如によって制限され、構造ベースの設計タスクに適用できない。特に、これらのモデルでは分子がターゲットタンパク質とどのように相互作用するかを正確に3D空間で知ることはほとんどない。本稿では,指定された3Dタンパク質結合部位の分子を生成する3D生成モデルを提案する。具体的には、3dコンテキストとして結合部位が与えられると、3d空間における原子の出現の確率密度を推定し、原子を持つ可能性が高い位置を高い確率で割り当てる。 3d分子を生成するために、我々は自己回帰サンプリングスキームを提案する -- 原子は学習された分布から新しい原子が存在しないまで連続的にサンプリングされる。このサンプリング方式と組み合わせることで, 有効で多様な分子を生成でき, 分子サンプリングやリンカー設計など, 様々な構造に基づく分子設計タスクに適用できる。実験の結果, 本モデルから採取した分子は, 特定の標的に対する高い結合親和性を示し, 薬物類似性などの優れた薬物特性を示すことがわかった。

関連論文リスト

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)
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)
3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction [9.67574543046801]
標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。上記の課題を解決するために,3次元同変拡散モデルを開発した。我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
論文参考訳（メタデータ） (2023-03-06T23:01:43Z)
Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
論文参考訳（メタデータ） (2023-02-08T20:01:51Z)
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)
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)
Learning to design drug-like molecules in three-dimensional space using deep generative models [0.0]
Ligand Neural Network(L-Net)は、高品質の3D構造を持つ薬物様分子を設計するための新しいグラフ生成モデルです。 L-Netは化学的に正しい、コンフォメーションに有効な、非常に薬物的な分子を生成することができる。
論文参考訳（メタデータ） (2021-04-17T07:30:23Z)

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。