論文の概要: Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based
Reinforcement Learning Model
- arxiv url: http://arxiv.org/abs/2209.07405v1
- Date: Sun, 14 Aug 2022 10:41:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-18 17:03:59.693952
- Title: Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based
Reinforcement Learning Model
- Title(参考訳): タンパク質配列に基づく強化学習モデルによる多用・高速デノボ医薬品の設計
- Authors: Yaqin Li, Lingli Li, Yongjin Xu, and Yi Yu
- Abstract要約: 構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。
本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。
概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
- 参考スコア(独自算出の注目度): 4.815696666006742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: De novo molecular design has facilitated the exploration of large chemical
space to accelerate drug discovery. Structure-based de novo method can overcome
the data scarcity of active ligands by incorporating drug-target interaction
into deep generative architectures. However, these strategies are bottlenecked
by the small fraction of experimentally determined protein or complex
structures. In addition, the cost of molecular generation is computationally
expensive due to 3D representations of both molecule and protein. Here, we
demonstrate a widely used and fast protein sequence-based reinforcement
learning (RL) model for drug discovery. In the generative model, one of the
reward components, a binding affinity predictor, is based on 1D protein
sequence and molecular SMILES. As a proof of concept, the RL model was utilized
to design molecules for four targets. The generated compounds showed
bioactivities by the validation of both QSAR and molecular docking with
experimental 3D binding pockets. We also found that the performance of
generated molecules depends on the selection of data source training for the
binding predictor. Furthermore, drug design for a kinase without any
experimental structure, CDK20, was studied by our model. With only 1D protein
sequence as input, the generated novel compounds showed favorable binding
affinity based on the AlphaFold predicted structure.
- Abstract(参考訳): de novo分子設計は、薬物の発見を加速するために大規模な化学空間の探索を促進させた。
構造に基づくde novo法は、薬物と標的との相互作用をディープジェネレーティブアーキテクチャに組み込むことで、活性リガンドのデータ不足を克服することができる。
しかし、これらの戦略は、実験的に決定されたタンパク質や複雑な構造のごく一部によってボトルネックとなる。
加えて、分子とタンパク質の3d表現のため、分子生成のコストは計算的に高価である。
本稿では,タンパク質配列型強化学習(rl)モデルを用いて薬物発見を行う。
生成モデルでは、結合親和性予測因子である報酬成分の1つが1dタンパク質配列と分子スマイルに基づいている。
概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
生成した化合物は,QSARと分子ドッキングの両方を実験的3D結合ポケットで検証し,生物活性を示した。
また, 生成分子の性能は, 結合予測のためのデータソーストレーニングの選択に依存することがわかった。
さらに,実験構造を持たないキナーゼであるcdk20の薬物設計をモデルを用いて検討した。
1Dタンパク質配列のみを入力として生成した新規化合物はAlphaFold予測構造に基づいて良好な結合親和性を示した。
関連論文リスト
- 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) - DiffDTM: A conditional structure-free framework for bioactive molecules
generation targeted for dual proteins [35.72694124335747]
DiffDTMは、二重ターゲット分子生成のための拡散モデルに基づく条件付き構造自由な深層生成モデルである。
我々は、DiffDTMが薬物様、合成可能、新規、高結合性アフィニティ分子を生成できることを実証するために、総合的な多視点実験を行った。
実験結果から,DiffDTMは見知らぬ二重ターゲットに容易に接続して生体活性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) (2023-06-24T13:08:55Z) - 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) - Multi-view deep learning based molecule design and structural
optimization accelerates the SARS-CoV-2 inhibitor discovery [10.974317147338303]
分子生成, 構造最適化, およびSARS-CoV-2インヒビターディスコリピーのためのMulti-viEw Deep生成モデルであるMEDICOを提案する。
評価実験の結果,MEDICOは, 有効, 特異, 新規な分子を生成する上で, 最先端の手法を著しく上回っていることがわかった。
SARS-CoV-2主プロテアーゼ(Mpro)の標的分子生成に関するケーススタディでは、分子ドッキングをケミカルプライオリとしてモデルに組み込むことで、Mproにドラッグライクな性質を持つ新しい小さな分子を生成できることが示され、コビッドのデノボ設計が加速される可能性が示唆された。
論文 参考訳(メタデータ) (2022-12-03T08:21:13Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - 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) - Structure-aware generation of drug-like molecules [2.449909275410288]
深部生成法は、新しい分子をスクラッチから提案する(デノボ設計)。
本稿では, 分子間空間における3次元ポーズと協調して分子グラフを生成する新しい教師付きモデルを提案する。
ドッキングベンチマークを用いて,ドッキングモデルの評価を行い,ドッキング生成によって予測される結合親和性が8%向上し,薬物類似度が10%向上することが確認された。
論文 参考訳(メタデータ) (2021-11-07T15:19:54Z) - 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) - Benchmarking Deep Graph Generative Models for Optimizing New Drug
Molecules for COVID-19 [11.853524110656991]
ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。
本稿では、グラフ生成モデルに基づく小さな薬物分子設計パイプラインと、新型コロナウイルスの標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究について述べる。
論文 参考訳(メタデータ) (2021-02-09T17:49:26Z) - 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。