論文の概要: Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design
- arxiv url: http://arxiv.org/abs/2210.05274v1
- Date: Tue, 11 Oct 2022 09:13:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:41:49.124258
- Title: Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design
- Title(参考訳): 分子リンカー設計のための等変3次元拡散モデル
- Authors: Ilia Igashov, Hannes St\"ark, Cl\'ement Vignac, Victor Garcia
Satorras, Pascal Frossard, Max Welling, Michael Bronstein, Bruno Correia
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 82.23006955069229
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Fragment-based drug discovery has been an effective paradigm in early-stage
drug development. An open challenge in this area is designing linkers between
disconnected molecular fragments of interest to obtain chemically-relevant
candidate drug molecules. In this work, we propose DiffLinker, an
E(3)-equivariant 3D-conditional diffusion model for molecular linker design.
Given a set of disconnected fragments, our model places missing atoms in
between and designs a molecule incorporating all the initial fragments. Unlike
previous approaches that are only able to connect pairs of molecular fragments,
our method can link an arbitrary number of fragments. Additionally, the model
automatically determines the number of atoms in the linker and its attachment
points to the input fragments. We demonstrate that DiffLinker outperforms other
methods on the standard datasets generating more diverse and
synthetically-accessible molecules. Besides, we experimentally test our method
in real-world applications, showing that it can successfully generate valid
linkers conditioned on target protein pockets.
- Abstract(参考訳): フラグメントに基づく薬物発見は、初期段階の薬物開発において有効なパラダイムである。
この領域におけるオープンな課題は、化学的に関連のある薬物分子を得るために、分離された分子断片間のリンカーを設計することである。
本研究では分子リンカー設計のためのe(3)同変3d条件拡散モデルdifflinkerを提案する。
切り離された断片のセットが与えられると、このモデルでは原子が欠落しており、初期フラグメントをすべて組み込んだ分子を設計します。
分子フラグメントのペアのみを接続できる従来のアプローチとは異なり、我々の手法は任意の数のフラグメントをリンクすることができる。
さらに、モデルはリンカ内の原子の数を自動的に決定し、そのアタッチメントは入力フラグメントに向けられる。
difflinkerは、より多様で合成可能な分子を生成する標準データセットの他の方法よりも優れていることを実証する。
また,本手法を実世界のアプリケーションで実験的にテストし,ターゲットタンパク質ポケット上で有効なリンカを効果的に生成できることを示した。
関連論文リスト
- Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation
and Elaboration [66.40452382516126]
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) - 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) - De Novo Molecular Generation via Connection-aware Motif Mining [197.97528902698966]
我々は、マイニングされた接続認識モチーフに基づいて分子を生成する新しい方法、MiCaMを提案する。
得られたモチーフ語彙は、分子モチーフ(頻繁な断片)だけでなく、それらの接続情報も含む。
マイニングされた接続対応モチーフに基づいて、MiCaMは接続対応ジェネレータを構築し、同時にモチーフをピックアップし、どのように接続されているかを決定する。
論文 参考訳(メタデータ) (2023-02-02T14:40:47Z) - DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [68.09519347858962]
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) - 3DLinker: An E(3) Equivariant Variational Autoencoder for Molecular
Linker Design [9.806910643086043]
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。
論文 参考訳(メタデータ) (2022-05-15T15:26:29Z) - 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) - Fragment-based molecular generative model with high generalization
ability and synthetic accessibility [0.0]
本稿では, ターゲット特性を持つ新規分子を設計するフラグメントに基づく分子生成モデルを提案する。
我々のモデルの重要な特徴は、プロパティ制御とフラグメントタイプの観点からの高度な一般化能力である。
モデルでは,複数のターゲット特性を同時に制御した分子を高い成功率で生成できることを示す。
論文 参考訳(メタデータ) (2021-11-25T04:44:37Z) - 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)
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。