論文の概要: PGMG: A Pharmacophore-Guided Deep Learning Approach for Bioactive Molecular Generation

• arxiv url: http://arxiv.org/abs/2207.00821v1
• Date: Sat, 2 Jul 2022 12:31:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 16:46:49.781528
• Title: PGMG: A Pharmacophore-Guided Deep Learning Approach for Bioactive Molecular Generation
• Title（参考訳）: PGMG:生物活性分子生成のための薬理学指導型深層学習アプローチ
• Authors: Huimin Zhu, Renyi Zhou, Jing Tang, Min Li
• Abstract要約: バイオアクティベート分子生成のための深層学習手法PGMGを提案する。 PGMGは, 高い妥当性, 特異性, 新規性を保ちながら, 与えられた薬理泳動モデルに適合する分子を生成可能であることを示す。 PGMGの柔軟性と有効性は、薬物発見プロセスの加速に有用なツールである。
• 参考スコア（独自算出の注目度）: 5.168827506745199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rational design of novel molecules with desired bioactivity is a critical but challenging task in drug discovery, especially when treating a novel target family or understudied targets. Here, we propose PGMG, a pharmacophore-guided deep learning approach for bioactivate molecule generation. Through the guidance of pharmacophore, PGMG provides a flexible strategy to generate bioactive molecules with structural diversity in various scenarios using a trained variational autoencoder. We show that PGMG can generate molecules matching given pharmacophore models while maintaining a high level of validity, uniqueness, and novelty. In the case studies, we demonstrate the application of PGMG to generate bioactive molecules in ligand-based and structure-based drug de novo design, as well as in lead optimization scenarios. Overall, the flexibility and effectiveness of PGMG make it a useful tool for accelerating the drug discovery process.
• Abstract（参考訳）: 望まれる生物活性を持つ新規分子の合理的な設計は、特に新規標的ファミリーや未調査標的を治療する際には、薬物発見において重要な課題である。 本稿では,バイオアクティベート分子生成のための医薬用深層学習手法PGMGを提案する。 PGMGは医薬品のガイダンスを通じて、訓練された変異オートエンコーダを用いて様々なシナリオにおいて、構造的な多様性を持つ生物活性分子を生成する柔軟な戦略を提供する。 PGMGは, 高い妥当性, 特異性, 新規性を保ちながら, 与えられた薬効モデルに適合する分子を生成できることを示す。 本事例では, PGMGを用いたリガンド系および構造系ドノボ系薬物の設計における生物活性分子の生成, およびリード最適化シナリオについて述べる。 PGMGの柔軟性と有効性は、薬物発見プロセスの加速に有用なツールである。

関連論文リスト

• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。 MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• Cell Morphology-Guided Small Molecule Generation with GFlowNets [41.8027680592766]
  本稿では,GFlowNetsの報酬として潜在類似性を定義するために,教師なしマルチモーダルジョイント埋め込みを提案する。 提案したモデルでは、与えられた画像ターゲットと類似した表現型効果を生じさせる新しい分子の生成を学習する。 提案手法は, ターゲットに高い形態的, 構造的類似性を有する分子を生成し, 類似した生物活性の可能性が高まることを示した。
  論文  参考訳（メタデータ） (2024-08-09T17:40:35Z)
• Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation [9.442146563809953]
  本研究では, 標的親和性, 薬物類似性, 合成性に関連する目的を組み込んだ, 汎用的な「プラグイン」分子生成モデルを構築した。 我々はPSO-ENPを多目的分子生成と最適化のための最適変種として同定する。
  論文  参考訳（メタデータ） (2024-04-10T02:37:24Z)
• De novo Drug Design using Reinforcement Learning with Multiple GPT Agents [16.508471997999496]
  MolRL-MGPTは、薬物分子生成のための複数のGPTエージェントを用いた強化学習アルゴリズムである。 このアルゴリズムはGurcaMolベンチマークで有望な結果を示し,SARS-CoV-2タンパク質標的に対する阻害剤の設計に有効であることを示した。
  論文  参考訳（メタデータ） (2023-12-21T13:24:03Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• Utilizing Reinforcement Learning for de novo Drug Design [2.5740778707024305]
  ド・ノボ薬物設計のための強化学習のための統一的な枠組みを開発する。 我々は、RNNベースのポリシーを学ぶために、様々なオン・オフ・ポリシー強化学習アルゴリズムとリプレイバッファについて研究する。 以上の結果から,少なくともトップスカラー分子とロースカラー分子の両方を用いる方が,ポリシー更新に有利であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-30T07:40:50Z)
• 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)
• 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)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)
• 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。