Fugu-MT 論文翻訳(概要): Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design

論文の概要: Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design

arxiv url: http://arxiv.org/abs/2209.06158v1
Date: Tue, 30 Aug 2022 09:32:39 GMT
ステータス: 処理完了
システム内更新日: 2022-09-18 16:52:52.697991
Title: Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design
Title（参考訳）: タンパク質ポケットの配位分子:構造化医薬品設計のためのトランスフォーマーベース生成ソリューション
Authors: Kehan Wu, Yingce Xia, Yang Fan, Pan Deng, Haiguang Liu, Lijun Wu, Shufang Xie, Tong Wang, Tao Qin and Tie-Yan Liu
Abstract要約: 標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
参考スコア（独自算出の注目度）: 133.1268990638971
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Structure-based drug design is drawing growing attentions in computer-aided drug discovery. Compared with the virtual screening approach where a pre-defined library of compounds are computationally screened, de novo drug design based on the structure of a target protein can provide novel drug candidates. In this paper, we present a generative solution named TamGent (Target-aware molecule generator with Transformer) that can directly generate candidate drugs from scratch for a given target, overcoming the limits imposed by existing compound libraries. Following the Transformer framework (a state-of-the-art framework in deep learning), we design a variant of Transformer encoder to process 3D geometric information of targets and pre-train the Transformer decoder on 10 million compounds from PubChem for candidate drug generation. Systematical evaluation on candidate compounds generated for targets from DrugBank shows that both binding affinity and drugability are largely improved. TamGent outperforms previous baselines in terms of both effectiveness and efficiency. The method is further verified by generating candidate compounds for the SARS-CoV-2 main protease and the oncogenic mutant KRAS G12C. The results show that our method not only re-discovers previously verified drug molecules , but also generates novel molecules with better docking scores, expanding the compound pool and potentially leading to the discovery of novel drugs.
Abstract（参考訳）: 構造に基づく薬物設計は、コンピュータによる創薬において注目を集めている。予め定義された化合物のライブラリーを計算的にスクリーニングする仮想スクリーニングアプローチと比較して、ターゲットタンパク質の構造に基づくデ・ノボの薬物設計は、新しい薬物候補を提供することができる。本稿では,TamGent (Target-aware molecule generator with Transformer) という生成ソリューションを提案する。 Transformerフレームワーク(ディープラーニングの最先端フレームワーク)に続き、Transformerエンコーダの変種を設計し、ターゲットの幾何学的情報を3Dで処理し、PubChemから1000万の化合物にトランスフォーマーデコーダを事前訓練する。薬物バンクから標的に生成する候補化合物の体系的な評価は、結合親和性と薬物耐性が共に大きく改善されていることを示している。 TamGentは、有効性と効率の両面で、以前のベースラインを上回っている。この方法は、SARS-CoV-2主プロテアーゼおよび癌原性変異KRAS G12Cの候補化合物を生成することによってさらに検証される。以上の結果から, 従来確認されていた薬剤分子を再発見するだけでなく, ドッキングスコアの高い新規分子を産生し, 化合物プールを拡大し, 新規薬物の発見に繋がる可能性が示唆された。

関連論文リスト

BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文参考訳（メタデータ） (2024-08-19T05:17:40Z)
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)
De Novo Drug Design with Joint Transformers [9.339914898177186]
ド・ノボの薬物設計では、トレーニングデータ以外の新しい分子を同時に生成し、その標的特性を予測する必要がある。本稿では,共有重み付き共同生成モデルにおいて,トランスフォーマーデコーダ,トランスフォーマーエンコーダ,および予測器を組み合わせたジョイントトランスフォーマを提案する。我々は、目標特性を改善した新しい分子を生成するために、Joint Transformerを用いた確率的ブラックボックス最適化アルゴリズムを定式化する。
論文参考訳（メタデータ） (2023-10-03T14:09:15Z)
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)
A Transformer-based Generative Model for De Novo Molecular Design [4.6782243206450325]
ターゲット特異的分子設計のためのトランスフォーマーに基づくディープモデルを提案する。提案法は, 薬物様化合物と標的特異的化合物の両方を生成可能である。
論文参考訳（メタデータ） (2022-10-17T05:03:35Z)
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)
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)
Pharmacoprint -- a combination of pharmacophore fingerprint and artificial intelligence as a tool for computer-aided drug design [6.053347262128918]
我々はPharmacoprintと呼ばれる高分解能の医薬品用指紋を提案する。分子の存在、型、および分子の薬理泳動の特徴の間の関係をコードする。
論文参考訳（メタデータ） (2021-10-04T11:36:39Z)
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。