論文の概要: Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets

• arxiv url: http://arxiv.org/abs/2205.07249v1
• Date: Sun, 15 May 2022 10:23:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-17 17:30:21.103009
• Title: Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets
• Title（参考訳）: Pocket2Mol:3Dタンパク質を用いた効率的な分子サンプリング
• Authors: Xingang Peng, Shitong Luo, Jiaqi Guan, Qi Xie, Jian Peng, Jianzhu Ma
• Abstract要約: 新しい研究のスレッドは、タンパク質ポケットの構造を考慮し、シリコ医薬品の設計における特異性と成功率を推し進める大きな可能性を示している。 以前のサンプリングアルゴリズムは、グラフ空間でサンプリングされたり、原子の3次元座標のみを考慮したりしていた。 2つのモジュールからなるE(3)等価な生成ネットワークであるPocket2Molを開発した。
• 参考スコア（独自算出の注目度）: 23.105378950060615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models have achieved tremendous success in designing novel drug molecules in recent years. A new thread of works have shown the great potential in advancing the specificity and success rate of in silico drug design by considering the structure of protein pockets. This setting posts fundamental computational challenges in sampling new chemical compounds that could satisfy multiple geometrical constraints imposed by pockets. Previous sampling algorithms either sample in the graph space or only consider the 3D coordinates of atoms while ignoring other detailed chemical structures such as bond types and functional groups. To address the challenge, we develop Pocket2Mol, an E(3)-equivariant generative network composed of two modules: 1) a new graph neural network capturing both spatial and bonding relationships between atoms of the binding pockets and 2) a new efficient algorithm which samples new drug candidates conditioned on the pocket representations from a tractable distribution without relying on MCMC. Experimental results demonstrate that molecules sampled from Pocket2Mol achieve significantly better binding affinity and other drug properties such as druglikeness and synthetic accessibility.
• Abstract（参考訳）: 深層生成モデルは近年、新しい薬物分子の設計に多大な成功を収めている。 新しい研究のスレッドは、タンパク質ポケットの構造を考慮し、シリコ医薬品の設計における特異性と成功率を推し進める大きな可能性を示している。 この設定は、ポケットによって課される複数の幾何学的制約を満たすことができる新しい化学物質をサンプリングする基本的な計算上の課題を提起している。 以前のサンプリングアルゴリズムは、グラフ空間でサンプリングするか、原子の3次元座標のみを考慮しつつ、結合型や官能基のような他の詳細な化学構造を無視している。 そこで我々は2つのモジュールからなるe(3)同変生成ネットワーク pocket2mol を開発した。 1)結合ポケットの原子間の空間的および結合的関係を捉える新しいグラフニューラルネットワーク 2)mcを頼らずに, ポケット型表現に基づく新しい薬剤候補を探索可能な分布から抽出する新しい効率的なアルゴリズム。 実験により、Pocket2Molから採取した分子は、結合親和性および薬物類似性や合成アクセシビリティなどの薬物特性を著しく向上することが示された。

関連論文リスト

• Reprogramming Pretrained Target-Specific Diffusion Models for Dual-Target Drug Design [21.666641467687214]
  生成タスクとして二重ターゲットのドラッグデザインを定式化し、シナジスティックな薬物の組み合わせに基づいて、潜在的なターゲットペアの新たなデータセットをキュレートする。 本稿では,単一ターゲットタンパク質-リガンド複合体対で訓練された拡散モデルを用いた二重ターゲット薬物の設計を提案する。 我々のアルゴリズムは、単一目標事前学習で得られた知識をゼロショット方式で二重目標シナリオに転送することができる。
  論文  参考訳（メタデータ） (2024-10-28T02:48:31Z)
• 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)
• PILOT: Equivariant diffusion for pocket conditioned de novo ligand generation with multi-objective guidance via importance sampling [8.619610909783441]
  等変拡散モデル PILOT を用いて,$textitde novo$ で 3次元リガンド構造を生成するためのシリカ内アプローチを提案する。 その多目的的重要度サンプリング戦略は、モデルが望ましい特性を示す分子に向けられるよう設計されている。 我々はPILOTを用いて、Kinodata-3Dデータセットから未確認タンパク質ポケットの新しいメトリクスを生成する。
  論文  参考訳（メタデータ） (2024-05-23T17:58:28Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• 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)
• Learning Subpocket Prototypes for Generalizable Structure-based Drug Design [17.61987808099346]
  深部生成モデルは、タンパク質ポケットに固定された3D分子の生成において顕著な成功を収めた。 既存の方法の多くは、タンパク質ポケットの分子生成を独立に考慮している。 本稿では, 汎用構造に基づく医薬品設計のための新しいドラッグGPS法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T13:49:49Z)
• 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)
• 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)
• In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation [0.0]
  本稿では,関係グラフアーキテクチャ内の3次元タンパク質-リガンド接触を符号化したグラフベース生成モデリング技術を提案する。 これらのモデルは、活性特異的な分子生成を可能にする条件付き変分オートエンコーダと、ターゲットの結合ポケット内の分子相互作用の予測を提供する配置接触生成を組み合わせる。
  論文  参考訳（メタデータ） (2022-04-05T22:53:51Z)
• 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)

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。