論文の概要: 3DLinker: An E(3) Equivariant Variational Autoencoder for Molecular Linker Design

• arxiv url: http://arxiv.org/abs/2205.07309v1
• Date: Sun, 15 May 2022 15:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-17 15:06:01.349364
• Title: 3DLinker: An E(3) Equivariant Variational Autoencoder for Molecular Linker Design
• Title（参考訳）: 3DLinker:分子リンカ設計のためのE(3)等価変分オートエンコーダ
• Authors: Yinan Huang, Xingang Peng, Jianzhu Ma, Muhan Zhang
• Abstract要約: 本稿では,アンカー原子を予測し,リンカーグラフとその3D構造を共同生成できる条件生成モデル3DLinkerを提案する。 我々のモデルは、分子グラフの回収において著しく高い速度を持ち、さらに重要なことは、全ての原子の3次元座標を正確に予測することである。
• 参考スコア（独自算出の注目度）: 9.806910643086043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has achieved tremendous success in designing novel chemical compounds with desirable pharmaceutical properties. In this work, we focus on a new type of drug design problem -- generating a small "linker" to physically attach two independent molecules with their distinct functions. The main computational challenges include: 1) the generation of linkers is conditional on the two given molecules, in contrast to generating full molecules from scratch in previous works; 2) linkers heavily depend on the anchor atoms of the two molecules to be connected, which are not known beforehand; 3) 3D structures and orientations of the molecules need to be considered to avoid atom clashes, for which equivariance to E(3) group are necessary. To address these problems, we propose a conditional generative model, named 3DLinker, which is able to predict anchor atoms and jointly generate linker graphs and their 3D structures based on an E(3) equivariant graph variational autoencoder. So far as we know, there are no previous models that could achieve this task. We compare our model with multiple conditional generative models modified from other molecular design tasks and find that our model has a significantly higher rate in recovering molecular graphs, and more importantly, accurately predicting the 3D coordinates of all the atoms.
• Abstract（参考訳）: 深層学習は、望ましい医薬特性を持つ新規な化合物を設計することに成功した。 本研究では、2つの独立した分子をそれぞれの機能で物理的に結合させる小さな「リンカー」を生成する新しいタイプの薬物設計問題に焦点を当てる。 主な計算上の課題は 1) リンカーの生成は,以前の処理でスクラッチから全分子を生成するのとは対照的に,与えられた2つの分子に対して条件付きである。 2)リンカーは、2つの分子のアンカー原子に大きく依存しており、事前には分かっていない。 3) 分子の3次元構造と配向は、e(3)族への同値性が必要とされる原子衝突を避けるために考慮する必要がある。 これらの問題に対処するため、3DLinkerという条件付き生成モデルを提案し、E(3)同変グラフ変分オートエンコーダに基づいて、アンカー原子を予測し、リンカーグラフとその3D構造を共同生成する。 私たちが知る限りでは、このタスクを達成できる以前のモデルはありません。 我々は、他の分子設計タスクから修正した複数の条件生成モデルと比較し、分子グラフの復元速度が著しく高く、さらに重要なことは、全ての原子の3次元座標を正確に予測することである。

関連論文リスト

• Learning Disentangled Equivariant Representation for Explicitly Controllable 3D Molecule Generation [29.905705361297578]
  テキスト特異的制御による3Dドラッグ様分子の条件生成 本稿では,E(3)-同変ワッサースタインオートエンコーダを提案し,生成モデルの潜伏空間を分子特性と3次元分子の構造的文脈の2つの相違点に分解する。
  論文  参考訳（メタデータ） (2024-12-19T17:33:56Z)
• 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 Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
  本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。 我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
  論文  参考訳（メタデータ） (2023-05-21T04:49:53Z)
• 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)
• 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)
• 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)
• A 3D Molecule Generative Model for Structure-Based Drug Design [18.29582138009123]
  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。
  論文  参考訳（メタデータ） (2022-03-20T03:54:47Z)
• 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)

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。