論文の概要: Recent Developments in Structure-Based Virtual Screening Approaches

• arxiv url: http://arxiv.org/abs/2211.03208v1
• Date: Sun, 6 Nov 2022 19:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-08 19:30:18.039284
• Title: Recent Developments in Structure-Based Virtual Screening Approaches
• Title（参考訳）: 構造ベース仮想スクリーニングの最近の進歩
• Authors: Christoph Gorgulla
• Abstract要約: 構造に基づく仮想スクリーニングの基礎について紹介する。 主要な原則、最近の成功談、新しい方法、利用可能なソフトウェア、将来的な研究方向性について概説する。 バーチャルスクリーニングは、新しい小分子薬の開発において大きな可能性を秘めている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug development is a wide scientific field that faces many challenges these days. Among them are extremely high development costs, long development times, as well as a low number of new drugs that are approved each year. To solve these problems, new and innovate technologies are needed that make the drug discovery process of small-molecules more time and cost-efficient, and which allow to target previously undruggable target classes such as protein-protein interactions. Structure-based virtual screenings have become a leading contender in this context. In this review, we give an introduction to the foundations of structure-based virtual screenings, and survey their progress in the past few years. We outline key principles, recent success stories, new methods, available software, and promising future research directions. Virtual screenings have an enormous potential for the development of new small-molecule drugs, and are already starting to transform early-stage drug discovery.
• Abstract（参考訳）: 薬物開発は、近年多くの課題に直面している幅広い科学分野である。 その中には、非常に高い開発コスト、長い開発時間、そして毎年承認される新しい薬物の少なさが含まれている。 これらの問題を解決するには、小分子の創薬プロセスがより時間とコスト効率が向上し、タンパク質とタンパク質の相互作用のような従来実行不可能だった標的クラスをターゲットにできる、新しい革新的な技術が必要である。 この文脈では、構造ベースの仮想スクリーニングが主要な候補となっている。 本稿では,構造ベースの仮想スクリーニングの基礎について紹介するとともに,過去数年間の進捗状況について概説する。 主要な原則、最近の成功談、新しい方法、利用可能なソフトウェア、将来的な研究方向性について概説する。 バーチャルスクリーニングは、新しい小分子薬の開発に大きな可能性を持ち、すでに初期段階の薬物発見を変革し始めている。

関連論文リスト

• Drug-Target Interaction/Affinity Prediction: Deep Learning Models and Advances Review [4.364576564103288]
  相互作用予測の課題を克服するために、ディープラーニングモデルが提示されている。 薬物-標的相互作用の予測法を180件分析した。
  論文  参考訳（メタデータ） (2025-02-21T10:00:43Z)
• Small Molecule Drug Discovery Through Deep Learning:Progress, Challenges, and Opportunities [34.72068278499029]
  深層学習(DL)技術の急速な発展により,DLを基盤とした小型分子ドラッグ発見法は優れた性能を発揮した。 本稿では, DLをベースとした小分子創薬における最近の重要な課題と代表的手法を体系的に要約し, 一般化する。
  論文  参考訳（メタデータ） (2025-02-13T05:24:52Z)
• Decoding Drug Discovery: Exploring A-to-Z In silico Methods for Beginners [4.08908337437878]
  本研究の主な目的は、薬物開発プロセスで使用されるシリコ法をレビューすることである。 本稿では, 生物活性化合物の標的同定に必須であるシリカ技術におけるA-to-Zについて, 徹底的に論じる。
  論文  参考訳（メタデータ） (2024-12-15T10:02:38Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Deep Lead Optimization: Leveraging Generative AI for Structural Modification [12.167178956742113]
  このレビューでは、基本的な概念、目標、従来のCADD技術、最近のAIDDの進歩について論じる。 制約付きサブグラフ生成に基づく統一的な視点を導入し,デノボ設計とリード最適化の方法論を調和させる。
  論文  参考訳（メタデータ） (2024-04-30T03:17:42Z)
• On the Challenges and Opportunities in Generative AI [135.2754367149689]
  現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。 本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• Docking-based generative approaches in the search for new drug candidates [2.407154340925365]
  ドッキングに基づく生成モデルのための新しい分類法を提案する。 ドッキングと組み合わされた生成プロトコルのさらなる発展に向けた最も有望な方向性について論じる。
  論文  参考訳（メタデータ） (2023-11-22T11:37:09Z)
• Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
  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。
  論文  参考訳（メタデータ） (2022-08-30T09:32:39Z)
• 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)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• 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)
• 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)

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。