Fugu-MT 論文翻訳(概要): Energy-based Generative Models for Target-specific Drug Discovery

論文の概要: Energy-based Generative Models for Target-specific Drug Discovery

arxiv url: http://arxiv.org/abs/2212.02404v1
Date: Mon, 5 Dec 2022 16:41:36 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 18:07:46.140963
Title: Energy-based Generative Models for Target-specific Drug Discovery
Title（参考訳）: ターゲット特異的薬物発見のためのエネルギーベース生成モデル
Authors: Junde Li, Collin Beaudoin, Swaroop Ghosh
Abstract要約: 我々は, 目標特異的な薬物発見のためのエネルギーベース確率モデルを開発した。その結果,提案したTagMolは実分子と類似の結合親和性を持つ分子を生成できることが示唆された。
参考スコア（独自算出の注目度）: 7.509129971169722
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Drug targets are the main focus of drug discovery due to their key role in disease pathogenesis. Computational approaches are widely applied to drug development because of the increasing availability of biological molecular datasets. Popular generative approaches can create new drug molecules by learning the given molecule distributions. However, these approaches are mostly not for target-specific drug discovery. We developed an energy-based probabilistic model for computational target-specific drug discovery. Results show that our proposed TagMol can generate molecules with similar binding affinity scores as real molecules. GAT-based models showed faster and better learning relative to GCN baseline models.
Abstract（参考訳）: 薬物ターゲットは、疾患の病因形成において重要な役割を担っているため、薬物発見の主要な焦点である。計算手法は、生物分子データセットの可用性が高まるため、薬物開発に広く応用されている。一般的な生成アプローチは、与えられた分子分布を学習することで新しい薬物分子を作ることができる。しかし、これらのアプローチは標的特異的な薬物発見のためのものではない。計算対象特異的な薬物発見のためのエネルギーベースの確率モデルを開発した。その結果,提案するtagmolは実際の分子と同様の結合親和性スコアを持つ分子を生成できることがわかった。 GATベースのモデルでは、GCNベースラインモデルと比較して、より高速で学習性が向上した。

関連論文リスト

FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。 MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-10-02T23:04:58Z)
Cell Morphology-Guided Small Molecule Generation with GFlowNets [41.8027680592766]
本稿では,GFlowNetsの報酬として潜在類似性を定義するために,教師なしマルチモーダルジョイント埋め込みを提案する。提案したモデルでは、与えられた画像ターゲットと類似した表現型効果を生じさせる新しい分子の生成を学習する。提案手法は, ターゲットに高い形態的, 構造的類似性を有する分子を生成し, 類似した生物活性の可能性が高まることを示した。
論文参考訳（メタデータ） (2024-08-09T17:40:35Z)
Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文参考訳（メタデータ） (2024-07-01T06:10:29Z)
Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文参考訳（メタデータ） (2023-06-09T03:04:21Z)
Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。このシステムは、薬物のような化合物と標的特異的な生物活性分子の大規模なデータセットを用いて訓練される。オープンアクセスされた薬物遺伝子を用いて、他の薬剤性タンパク質のモデルを容易に訓練することができる。
論文参考訳（メタデータ） (2023-02-15T18:59:27Z)
Drug-target affinity prediction method based on consistent expression of heterogeneous data [0.0]
深層学習モデルを用いた薬物-標的結合親和性予測手法を提案する。提案モデルでは,DAVISおよびKIBAデータセット上での薬物-標的結合親和性予測の精度と有効性を示す。
論文参考訳（メタデータ） (2022-11-13T02:58:03Z)
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)
A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
論文参考訳（メタデータ） (2022-08-20T11:01:10Z)
Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文参考訳（メタデータ） (2022-06-06T06:17:11Z)
Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文参考訳（メタデータ） (2021-10-14T13:28:02Z)
Learn molecular representations from large-scale unlabeled molecules for drug discovery [19.222413268610808]
分子プレトレーニンググラフベースのディープラーニングフレームワークmpgは、大規模なラベルなし分子から分子表現を頼りにする。 molgnetは、解釈可能な表現を生み出すために貴重な化学的洞察を捉えることができる。 MPGは、薬物発見パイプラインにおける新しいアプローチになることを約束している。
論文参考訳（メタデータ） (2020-12-21T08:21:49Z)

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。