論文の概要: Innovative Drug-like Molecule Generation from Flow-based Generative
Model
- arxiv url: http://arxiv.org/abs/2211.06566v1
- Date: Sat, 12 Nov 2022 04:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 18:59:47.906922
- Title: Innovative Drug-like Molecule Generation from Flow-based Generative
Model
- Title(参考訳): フローベース生成モデルによるイノベーティブドラッグ様分子生成
- Authors: Haotian Zhang, Linxiaoyi Wan
- Abstract要約: GraphBPは、従来の分子ドッキング法よりも優れた結合親和性を示す革新的な「本物の」化学物質を予測する能力を示している。
計算化学アルゴリズムを用いて妥当性と結合親和性の評価を行う。
- 参考スコア(独自算出の注目度): 5.485161449098031
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To design a drug given a biological molecule by using deep learning methods,
there are many successful models published recently. People commonly used
generative models to design new molecules given certain protein. LiGAN was
regarded as the baseline of deep learning model which was developed on
convolutional neural networks. Recently, GraphBP showed its ability to predict
innovative "real" chemicals that the binding affinity outperformed with
traditional molecular docking methods by using a flow-based generative model
with a graph neural network and multilayer perception. However, all those
methods regarded proteins as rigid bodies and only include a very small part of
proteins related to binding. However, the dynamics of proteins are essential
for drug binding. Based on GraphBP, we proposed to generate more solid work
derived from protein data bank. The results will be evaluated by validity and
binding affinity by using a computational chemistry algorithm.
- Abstract(参考訳): 深層学習法を用いて生体分子が与えられた薬物を設計するため、近年、多くのモデルが公表されている。
人々は通常、特定のタンパク質が与えられた新しい分子を設計するために生成モデルを用いた。
LiGANは畳み込みニューラルネットワークで開発されたディープラーニングモデルのベースラインとみなされた。
近年,graphbpは,グラフニューラルネットワークと多層性知覚を用いたフローベース生成モデルを用いて,従来の分子ドッキング法よりも結合親和性が優れる革新的な「リアル」化学物質を予測できることを示した。
しかし、これらの方法は全てタンパク質を剛体とみなし、結合に関連するタンパク質のごく一部しか含まない。
しかし、タンパク質の動態は薬物結合に必須である。
GraphBPをベースとして,タンパク質データバンクからより強固な処理を生成することを提案した。
結果は計算化学アルゴリズムを用いて妥当性と結合親和性によって評価される。
関連論文リスト
- Zero Shot Molecular Generation via Similarity Kernels [0.6597195879147557]
ゼロショット分子生成の新しい手法である類似性に基づく分子生成(SiMGen)を提案する。
SiMGenは時間依存の類似性カーネルと事前訓練された機械学習力場からの記述子を組み合わせて分子を生成する。
また、ユーザがSiMGenで構造をオンラインで生成できるインタラクティブなWebツールもリリースしました。
論文 参考訳(メタデータ) (2024-02-13T17:53:44Z) - Navigating protein landscapes with a machine-learned transferable
coarse-grained model [29.252004942896875]
同様の予測性能を持つ粗粒度(CG)モデルは、長年にわたる課題である。
ケミカルトランスポータビリティを持つボトムアップCG力場を開発し,新しい配列の分子動力学に利用することができる。
本モデルでは, 折り畳み構造, 中間体, メタスタブル折り畳み型および折り畳み型流域, 内在的に不規則なタンパク質のゆらぎの予測に成功している。
論文 参考訳(メタデータ) (2023-10-27T17:10:23Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳(メタデータ) (2023-06-02T15:49:45Z) - Geometric Graph Learning with Extended Atom-Types Features for
Protein-Ligand Binding Affinity Prediction [0.17132914341329847]
我々は、SYBYLのような広範囲な原子タイプを統合することにより、タンパク質-リガンド相互作用の研究のためにグラフベースの学習者をアップグレードする。
我々のアプローチでは、$textsybyltextGGL$-Scoreと$texteciftextGGL$-Scoreの2つの異なるメソッドが生成される。
SYBYL atom-type model $textsybyltextGGL$-Score はすべてのベンチマークで他の手法よりも優れています。
論文 参考訳(メタデータ) (2023-01-15T21:30:21Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳(メタデータ) (2022-12-20T19:32:30Z) - 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) - Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based
Reinforcement Learning Model [4.815696666006742]
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。
論文 参考訳(メタデータ) (2022-08-14T10:41:52Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳(メタデータ) (2022-07-25T11:30:44Z) - Advanced Graph and Sequence Neural Networks for Molecular Property
Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。
これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。
オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文 参考訳(メタデータ) (2020-12-02T02:09:31Z) - ASGN: An Active Semi-supervised Graph Neural Network for Molecular
Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。
教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。
最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文 参考訳(メタデータ) (2020-07-07T04:22:39Z) - Generating Tertiary Protein Structures via an Interpretative Variational
Autoencoder [16.554053012204182]
本稿では,タンパク質の機能的関連3次元構造を生成するための代替手法を提案し,評価する。
いくつかの深層建築の包括的評価は、新しい第三次構造をサンプリングするための潜伏空間を直接明らかにする上で、生成モデルの可能性を示唆している。
論文 参考訳(メタデータ) (2020-04-08T17:40:21Z)
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。