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
- Simulation-based optimization of a production system topology -- a
neural network-assisted genetic algorithm [0.0]
遺伝的アルゴリズム(GA)を用いた生産システムのトポロジー最適化のための新しい手法を提案する
GAの拡張では、ニューラルネットワークがシミュレーションの代理モデルとして機能する。
どちらの手法も、産業環境で最適解を見つけるのに効果的である。
論文 参考訳(メタデータ) (2024-02-02T15:52:10Z) - Target-aware Variational Auto-encoders for Ligand Generation with
Multimodal Protein Representation Learning [2.01243755755303]
ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。
これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
論文 参考訳(メタデータ) (2023-08-02T12:08:17Z) - 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) - 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) - JANUS: Parallel Tempered Genetic Algorithm Guided by Deep Neural
Networks for Inverse Molecular Design [1.6114012813668934]
逆分子設計、すなわち特定の目的特性を持つ分子を設計することは最適化問題として考えられる。
ジャヌス (Janus) は、2つの個体群を伝播させ、もう1つは探索用、もう1つは搾取用の遺伝的アルゴリズムである。
Janusは、化学空間のサンプリングを増強するために能動的学習を通じて分子特性を近似するディープニューラルネットワークによって強化される。
論文 参考訳(メタデータ) (2021-06-07T23:41:34Z) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳(メタデータ) (2021-05-11T03:40:29Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳(メタデータ) (2020-10-05T16:40:38Z)
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。