論文の概要: Reinforced Genetic Algorithm for Structure-based Drug Design

• arxiv url: http://arxiv.org/abs/2211.16508v1
• Date: Mon, 28 Nov 2022 22:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 18:10:41.499576
• Title: Reinforced Genetic Algorithm for Structure-based Drug Design
• Title（参考訳）: 構造に基づく薬物設計のための強化遺伝的アルゴリズム
• Authors: Tianfan Fu, Wenhao Gao, Connor W. Coley, Jimeng Sun
• Abstract要約: SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に結合する分子を見つけることにより、薬物候補を見つけることを目的とした薬物設計である。 本稿では,ニューラルネットワークを用いた遺伝的アルゴリズム(Reinforced Genetic Algorithm, RGA)を提案する。
• 参考スコア（独自算出の注目度）: 38.134929249388406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-based drug design (SBDD) aims to discover drug candidates by finding molecules (ligands) that bind tightly to a disease-related protein (targets), which is the primary approach to computer-aided drug discovery. Recently, applying deep generative models for three-dimensional (3D) molecular design conditioned on protein pockets to solve SBDD has attracted much attention, but their formulation as probabilistic modeling often leads to unsatisfactory optimization performance. On the other hand, traditional combinatorial optimization methods such as genetic algorithms (GA) have demonstrated state-of-the-art performance in various molecular optimization tasks. However, they do not utilize protein target structure to inform design steps but rely on a random-walk-like exploration, which leads to unstable performance and no knowledge transfer between different tasks despite the similar binding physics. To achieve a more stable and efficient SBDD, we propose Reinforced Genetic Algorithm (RGA) that uses neural models to prioritize the profitable design steps and suppress random-walk behavior. The neural models take the 3D structure of the targets and ligands as inputs and are pre-trained using native complex structures to utilize the knowledge of the shared binding physics from different targets and then fine-tuned during optimization. We conduct thorough empirical studies on optimizing binding affinity to various disease targets and show that RGA outperforms the baselines in terms of docking scores and is more robust to random initializations. The ablation study also indicates that the training on different targets helps improve performance by leveraging the shared underlying physics of the binding processes. The code is available at https://github.com/futianfan/reinforced-genetic-algorithm.
• Abstract（参考訳）: SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に強く結合する分子(配位子)を見つけることで、薬物候補を見つけることを目的としている。 近年,タンパク質ポケットに3次元分子設計を適用してSBDDを解く手法が注目されているが,確率的モデルとしての定式化は不満足な最適化性能をもたらすことが多い。 一方、遺伝的アルゴリズム(GA)のような従来の組合せ最適化手法は、様々な分子最適化タスクにおいて最先端の性能を示す。 しかし、彼らはタンパク質標的構造を利用して設計手順を知らせるのではなく、ランダムウォークのような探索に依存しており、同様の結合物理学にもかかわらず、不安定な性能と異なるタスク間の知識伝達を起こさない。 より安定で効率的なsbddを実現するために、神経モデルを用いて、利益の出る設計ステップを優先順位付けし、ランダムウォーク動作を抑制する強化遺伝的アルゴリズム(rga)を提案する。 ニューラルモデルは、ターゲットとリガンドの3d構造を入力とし、異なるターゲットからの共有結合物理学の知識を利用して、最適化中に微調整される。 各種疾患ターゲットに対する結合親和性を最適化する実験的な研究を行い、RGAがドッキングスコアにおいてベースラインより優れ、ランダム初期化に対してより堅牢であることを示す。 アブレーション研究では、異なる目標に対するトレーニングが、結合プロセスの共有基盤物理を活用することで、パフォーマンスを向上させることも示している。 コードはhttps://github.com/futianfan/reinforced-genetic-algorithmで入手できる。

関連論文リスト

• Quantum-inspired Reinforcement Learning for Synthesizable Drug Design [20.00111975801053]
  本稿では, 量子インスパイアされた擬似アニール型ニューラルネットワークを用いた強化学習手法を用いて, 化学構造の離散空間をインテリジェントにナビゲートする手法を提案する。 具体的には、ポリシーニューラルネットワークを用いた決定論的REINFORCEアルゴリズムを用いて、状態遷移と局所探索を誘導する遷移確率を出力する。 提案手法は10Kのクエリ予算を持つPMOベンチマークフレームワークを用いて評価する。
  論文  参考訳（メタデータ） (2024-09-13T20:43:16Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• Structure-based Drug Design Benchmark: Do 3D Methods Really Dominate? [26.854392279443086]
  構造に基づく薬物設計におけるアルゴリズム間の比較は少ない。 1D/2D法は,標的タンパク質の3D構造を明示的に用いた3D法と比較して,競合性能が高いことを示す。
  論文  参考訳（メタデータ） (2024-06-04T15:37:14Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Structure-based Drug Design with Equivariant Diffusion Models [40.73626627266543]
  本稿では,タンパク質ポケットに新しい条件を付加したSE(3)-同変拡散モデルDiffSBDDを提案する。 我々のサイリコ実験では、DiffSBDDが地上の真実データの統計を効果的に捉えていることが示されています。 これらの結果は、拡散モデルが従来の方法よりも正確に構造データの複雑な分布を表すという仮定を支持する。
  論文  参考訳（メタデータ） (2022-10-24T15:51:21Z)
• De novo design of protein target specific scaffold-based Inhibitors via Reinforcement Learning [8.210294479991118]
  標的タンパク質の分子開発への現在のアプローチは直観駆動であり、反復的な設計-テストサイクルが遅くなるのを妨げている。 本稿では3D-MolGNN$_RL$と呼ばれる新しいフレームワークを提案する。 われわれのアプローチは、最適化された活動、有効性、生体物理特性によるリード最適化のための解釈可能な人工知能(AI)ツールとして機能する。
  論文  参考訳（メタデータ） (2022-05-21T00:47:35Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
  計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。 本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
  論文  参考訳（メタデータ） (2021-07-14T17:55:28Z)

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。