論文の概要: Structure-based drug discovery with deep learning

• arxiv url: http://arxiv.org/abs/2212.13295v1
• Date: Mon, 26 Dec 2022 20:52:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 16:13:16.740708
• Title: Structure-based drug discovery with deep learning
• Title（参考訳）: 深層学習による構造に基づく創薬
• Authors: R{\i}za \"Oz\c{c}elik, Derek van Tilborg, Jos\'e Jim\'enez-Luna, Francesca Grisoni
• Abstract要約: 深層学習という形で人工知能(AI)は、薬物発見と化学生物学を約束する。 本稿では,薬物発見のための構造に基づく深層学習において,最も顕著なアルゴリズム概念を概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) in the form of deep learning bears promise for drug discovery and chemical biology, $\textit{e.g.}$, to predict protein structure and molecular bioactivity, plan organic synthesis, and design molecules $\textit{de novo}$. While most of the deep learning efforts in drug discovery have focused on ligand-based approaches, structure-based drug discovery has the potential to tackle unsolved challenges, such as affinity prediction for unexplored protein targets, binding-mechanism elucidation, and the rationalization of related chemical kinetic properties. Advances in deep learning methodologies and the availability of accurate predictions for protein tertiary structure advocate for a $\textit{renaissance}$ in structure-based approaches for drug discovery guided by AI. This review summarizes the most prominent algorithmic concepts in structure-based deep learning for drug discovery, and forecasts opportunities, applications, and challenges ahead.
• Abstract（参考訳）: 深層学習の形で人工知能(AI)は、タンパク質の構造と分子生物活性を予測し、有機合成を計画し、設計分子を$\textit{de novo}$とすることを約束する。 創薬における深層学習のほとんどがリガンドに基づくアプローチに焦点が当てられているが、構造に基づく創薬は未探索のタンパク質標的に対する親和性予測、結合機構の解明、関連する化学反応特性の合理化といった未解決の課題に対処できる可能性がある。 深層学習手法の進歩と、タンパク質三次構造に対する正確な予測の可用性は、AIによって導かれる薬物発見のための構造に基づくアプローチにおいて$\textit{renaissance}$を提唱する。 本レビューでは,創薬のための構造に基づく深層学習のアルゴリズム概念を概説し,今後の機会,応用,課題を予測する。

関連論文リスト

• Recent advances in interpretable machine learning using structure-based protein representations [30.907048279915312]
  機械学習(ML)の最近の進歩は、構造生物学の分野を変えつつある。 タンパク質3D構造を低分解能から高分解能に表現する様々な方法を提案する。 本稿では,タンパク質構造,タンパク質機能,タンパク質-タンパク質相互作用の予測などのタスクを解釈可能なML手法がどのようにサポートするかを示す。
  論文  参考訳（メタデータ） (2024-09-26T10:56:27Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• RNA Secondary Structure Prediction Using Transformer-Based Deep Learning Models [13.781096813376145]
  ヒトゲノムプロジェクト(Human Genome Project)は、生体分子の配列、構造、機能に関連するデータの指数関数的な増加につながった。 本稿では、RNAの基本概念、RNA二次構造、その予測について論じる。 生体高分子の構造予測における機械学習技術の応用について検討した。
  論文  参考訳（メタデータ） (2024-04-14T08:36:14Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• Towards Unified AI Drug Discovery with Multiple Knowledge Modalities [5.232382666884214]
  我々は,統合型,エンドツーエンド,マルチモーダルなディープラーニングフレームワークであるKEDDを提案する。 膨大なAI薬物発見タスクに対して、構造化知識と非構造化知識の両方を最適に組み込む。 我々のフレームワークは分子の深い理解を実現し、最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-17T13:15:16Z)
• Structure-based drug design with geometric deep learning [0.0]
  構造に基づく薬物設計では、タンパク質や核酸などの高分子の3次元幾何学的情報を用いて適切な識別を行う。 ニューラルネットワークベースの機械学習の新たな概念である幾何学的深層学習は、高分子構造に応用されている。 本総説では, 生物有機化学および医薬化学における幾何学的深層学習の最近の応用について概説し, 構造に基づく創薬・設計の可能性について概説する。
  論文  参考訳（メタデータ） (2022-10-19T16:21:48Z)
• On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future [60.99717891994599]
  本稿では,神経進化過程から情報を抽出し,メタモデルを構築するアプローチを提案する。 本稿では, 異なる特徴を有する生成的対向ネットワークの神経進化的探索における最良の構造について検討する。
  論文  参考訳（メタデータ） (2021-05-26T20:55:29Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)
• Deep Learning in Protein Structural Modeling and Design [6.282267356230666]
  ディープラーニングは、ビッグデータ、アクセシブルツールキット、強力な計算リソースによって刺激される科学的革命を触媒している。 タンパク質構造モデリングは、生物学的システムを分子レベルで理解し、設計するために重要である。 このレビューは、計算生物学者がタンパク質モデリングに適用される深層学習法に精通するのを助けることを目的としており、コンピュータ科学者は深層学習技術から恩恵を受ける可能性のある生物学的に有意義な問題を考察する。
  論文  参考訳（メタデータ） (2020-07-16T14:59:38Z)
• 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)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。