論文の概要: Structure-based drug design with geometric deep learning

• arxiv url: http://arxiv.org/abs/2210.11250v1
• Date: Wed, 19 Oct 2022 16:21:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 16:00:15.908746
• Title: Structure-based drug design with geometric deep learning
• Title（参考訳）: 幾何学的深層学習による構造に基づく薬物設計
• Authors: Clemens Isert, Kenneth Atz, Gisbert Schneider
• Abstract要約: 構造に基づく薬物設計では、タンパク質や核酸などの高分子の3次元幾何学的情報を用いて適切な識別を行う。 ニューラルネットワークベースの機械学習の新たな概念である幾何学的深層学習は、高分子構造に応用されている。 本総説では, 生物有機化学および医薬化学における幾何学的深層学習の最近の応用について概説し, 構造に基づく創薬・設計の可能性について概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Structure-based drug design uses three-dimensional geometric information of macromolecules, such as proteins or nucleic acids, to identify suitable ligands. Geometric deep learning, an emerging concept of neural-network-based machine learning, has been applied to macromolecular structures. This review provides an overview of the recent applications of geometric deep learning in bioorganic and medicinal chemistry, highlighting its potential for structure-based drug discovery and design. Emphasis is placed on molecular property prediction, ligand binding site and pose prediction, and structure-based de novo molecular design. The current challenges and opportunities are highlighted, and a forecast of the future of geometric deep learning for drug discovery is presented.
• Abstract（参考訳）: 構造に基づく薬物設計は、タンパク質や核酸などの高分子の3次元幾何学的情報を用いて適切なリガンドを同定する。 ニューラルネットワークベースの機械学習の新たな概念である幾何学的ディープラーニングは、マクロ分子構造に応用されている。 本総説では, 有機化学および医薬化学における幾何学的深層学習の最近の応用について概説し, 構造に基づく薬物発見・設計の可能性を明らかにする。 分子特性予測、配位子結合部位とポーズ予測、構造に基づくde novo分子設計に重点が置かれている。 現在の課題と機会が強調され、薬物発見のための幾何学的深層学習の将来が予測される。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
  本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。 液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
  幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
  論文  参考訳（メタデータ） (2023-06-15T05:37:25Z)
• 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)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Structure-based drug discovery with deep learning [0.0]
  深層学習という形で人工知能(AI)は、薬物発見と化学生物学を約束する。 本稿では,薬物発見のための構造に基づく深層学習において,最も顕著なアルゴリズム概念を概説する。
  論文  参考訳（メタデータ） (2022-12-26T20:52:26Z)
• 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)
• Geometric Deep Learning on Molecular Representations [0.0]
  Geometric Deep Learning (GDL)は、対称性情報を取り込んで処理するニューラルネットワークアーキテクチャに基づいている。 このレビューは、分子GDLの構造的および調和された概要を提供し、その薬物発見、化学合成予測、量子化学への応用を強調している。 学習された分子の特徴と、確立された分子記述子との相補性に重点を置いている。
  論文  参考訳（メタデータ） (2021-07-26T09:23:43Z)
• GeoT: A Geometry-aware Transformer for Reliable Molecular Property Prediction and Chemically Interpretable Representation Learning [16.484048833163282]
  GeoT(Geometry-aware Transformer)という,分子表現学習のためのトランスフォーマーベースの新しいフレームワークを提案する。 GeoTは、分子特性予測と同様に、信頼性の高い解釈性を提供するように設計された注意に基づくメカニズムを通じて、分子グラフ構造を学習する。 実験的なシミュレーションを含む包括的実験により、GeoTは分子構造に関する化学的な洞察を効果的に学習し、人工知能と分子科学のギャップを埋めることを明らかにした。
  論文  参考訳（メタデータ） (2021-06-29T15:47:18Z)
• Generative chemistry: drug discovery with deep learning generative models [0.0]
  本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。 ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
  論文  参考訳（メタデータ） (2020-08-20T14:38:21Z)

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。