論文の概要: LIMO: Latent Inceptionism for Targeted Molecule Generation
- arxiv url: http://arxiv.org/abs/2206.09010v1
- Date: Fri, 17 Jun 2022 21:05:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 17:34:44.801520
- Title: LIMO: Latent Inceptionism for Targeted Molecule Generation
- Title(参考訳): LIMO:標的分子生成のための潜在開始性
- Authors: Peter Eckmann, Kunyang Sun, Bo Zhao, Mudong Feng, Michael K. Gilson,
Rose Yu
- Abstract要約: 本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。
総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。
生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6~14ドルのK_D$を予測している。
- 参考スコア(独自算出の注目度): 14.391216237573369
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generation of drug-like molecules with high binding affinity to target
proteins remains a difficult and resource-intensive task in drug discovery.
Existing approaches primarily employ reinforcement learning, Markov sampling,
or deep generative models guided by Gaussian processes, which can be
prohibitively slow when generating molecules with high binding affinity
calculated by computationally-expensive physics-based methods. We present
Latent Inceptionism on Molecules (LIMO), which significantly accelerates
molecule generation with an inceptionism-like technique. LIMO employs a
variational autoencoder-generated latent space and property prediction by two
neural networks in sequence to enable faster gradient-based
reverse-optimization of molecular properties. Comprehensive experiments show
that LIMO performs competitively on benchmark tasks and markedly outperforms
state-of-the-art techniques on the novel task of generating drug-like compounds
with high binding affinity, reaching nanomolar range against two protein
targets. We corroborate these docking-based results with more accurate
molecular dynamics-based calculations of absolute binding free energy and show
that one of our generated drug-like compounds has a predicted $K_D$ (a measure
of binding affinity) of $6 \cdot 10^{-14}$ M against the human estrogen
receptor, well beyond the affinities of typical early-stage drug candidates and
most FDA-approved drugs to their respective targets. Code is available at
https://github.com/Rose-STL-Lab/LIMO.
- Abstract(参考訳): 標的タンパク質に高い結合親和性を持つ薬物様分子の生成は、薬物発見において困難で資源集約的な課題である。
既存のアプローチでは、主に強化学習、マルコフサンプリング、あるいはガウス過程によって導かれる深層生成モデルを採用しており、計算量的に拡張された物理学に基づく方法で計算される高い結合親和性を持つ分子を生成する際には、制限的に遅い。
本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)を提案する。
LIMOは変分自己エンコーダが生成する潜在空間と、2つのニューラルネットワークによる特性予測を用いて、より高速な勾配に基づく分子特性の逆最適化を可能にする。
包括的実験により、limoはベンチマークのタスクで競争力があり、2つのタンパク質ターゲットに対してナノモル範囲に達する高い結合親和性を持つ薬物様化合物を生成するという新しいタスクにおいて、最先端の技術を著しく上回っていることが示された。
我々は、これらのドッキングに基づく結果を、絶対結合自由エネルギーのより正確な分子動力学に基づく計算で相関させ、生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対する6:cdot 10^{-14}$MのK_D$(結合親和性の測定値)を予測していることを示す。
コードはhttps://github.com/Rose-STL-Lab/LIMOで入手できる。
関連論文リスト
- Quantum Computing-Enhanced Algorithm Unveils Novel Inhibitors for KRAS [10.732020360180773]
我々は16量子ビットのIBM量子コンピュータでトレーニングされた量子アルゴリズムのパワーをシームレスに統合する量子古典的生成モデルを導入する。
我々の研究は、実験で確認された生物学的ヒットを生み出すために量子生成モデルを使用した初めてのものである。
論文 参考訳(メタデータ) (2024-02-13T04:19:06Z) - Improving Molecular Properties Prediction Through Latent Space Fusion [9.912768918657354]
本稿では,最先端の化学モデルから導出した潜在空間を組み合わせた多視点手法を提案する。
分子構造をグラフとして表現するMHG-GNNの埋め込みと、化学言語に根ざしたMoLFormerの埋め込みである。
本稿では,既存の最先端手法と比較して,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-10-20T20:29:32Z) - HD-Bind: Encoding of Molecular Structure with Low Precision,
Hyperdimensional Binary Representations [3.3934198248179026]
超次元計算(HDC)は、低精度二進ベクトル算術を活用できる学習パラダイムである。
本稿では,HDCに基づく推論手法が,より複雑な機械学習手法よりも90倍効率が高いことを示す。
論文 参考訳(メタデータ) (2023-03-27T21:21:46Z) - Energy-based Generative Models for Target-specific Drug Discovery [7.509129971169722]
我々は, 目標特異的な薬物発見のためのエネルギーベース確率モデルを開発した。
その結果,提案したTagMolは実分子と類似の結合親和性を持つ分子を生成できることが示唆された。
論文 参考訳(メタデータ) (2022-12-05T16:41:36Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳(メタデータ) (2022-06-06T06:17:11Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - 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) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳(メタデータ) (2021-09-21T00:08:43Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
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) - 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。