論文の概要: Scaffold-Based Multi-Objective Drug Candidate Optimization
- arxiv url: http://arxiv.org/abs/2301.07175v2
- Date: Tue, 2 Jan 2024 12:49:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 20:29:08.382885
- Title: Scaffold-Based Multi-Objective Drug Candidate Optimization
- Title（参考訳）: 足場に基づく多目的薬物候補最適化
- Authors: Agustin Kruel, Andrew D. McNaughton, Neeraj Kumar
- Abstract要約: グラフに焦点をあてたマルコフ連鎖モンテカルロフレームワークを導入し、最適な性質を持つ分子を生成する。
ScaMARSの多様性スコアは84.6%であり、条件付きモデルよりも99.5%高い。
- 参考スコア（独自算出の注目度）: 9.53584200550524
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In therapeutic design, balancing various physiochemical properties is crucial
for molecule development, similar to how Multiparameter Optimization (MPO)
evaluates multiple variables to meet a primary goal. While many molecular
features can now be predicted using \textit{in silico} methods, aiding early
drug development, the vast data generated from high throughput virtual
screening challenges the practicality of traditional MPO approaches. Addressing
this, we introduce a scaffold focused graph-based Markov chain Monte Carlo
framework (ScaMARS) built to generate molecules with optimal properties. This
innovative framework is capable of self-training and handling a wider array of
properties, sampling different chemical spaces according to the starting
scaffold. The benchmark analysis on several properties shows that ScaMARS has a
diversity score of 84.6\% and has a much higher success rate of 99.5\% compared
to conditional models. The integration of new features into MPO significantly
enhances its adaptability and effectiveness in therapeutic design, facilitating
the discovery of candidates that efficiently optimize multiple properties.
- Abstract（参考訳）: 治療設計において、分子の発達には様々な物理化学的性質のバランスが不可欠であり、mpo(multiparameter optimization)が主要な目的を達成するために複数の変数を評価する方法と同様である。
多くの分子的特徴は、初期の薬物開発を支援する「textit{in silico}」法で予測できるが、高いスループットの仮想スクリーニングから生成された膨大なデータは、従来のMPOアプローチの実用性に挑戦する。
これに対応するために、最適な性質を持つ分子を生成するために構築されたグラフに基づくマルコフ連鎖モンテカルロフレームワーク(ScaMARS)を導入する。
この革新的な枠組みは、より広範な特性を自己学習し、処理し、開始する足場に応じて異なる化学空間をサンプリングすることができる。
いくつかの特性に関するベンチマーク分析によると、ScaMARSの多様性スコアは84.6\%であり、条件付きモデルよりも99.5\%高い。
MPOへの新機能の統合は治療設計における適応性と有効性を大幅に向上させ、複数の特性を効率的に最適化する候補の発見を容易にする。
関連論文リスト
- XMOL: Explainable Multi-property Optimization of Molecules [2.320539066224081]
複数の分子特性を同時に最適化するために,分子のマルチプロパティ最適化(XMOL)を提案する。
我々のアプローチは、最先端の幾何学的拡散モデルに基づいており、それらをマルチプロパティ最適化に拡張している。
最適化プロセス全体を通して解釈的および説明可能な技術を統合する。
論文 参考訳（メタデータ） (2024-09-12T06:35:04Z) - 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) - Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation [9.442146563809953]
本研究では, 標的親和性, 薬物類似性, 合成性に関連する目的を組み込んだ, 汎用的な「プラグイン」分子生成モデルを構築した。
我々はPSO-ENPを多目的分子生成と最適化のための最適変種として同定する。
論文 参考訳（メタデータ） (2024-04-10T02:37:24Z) - Objective-Agnostic Enhancement of Molecule Properties via Multi-Stage
VAE [1.3597551064547502]
変異オートエンコーダ(VAE)は医薬品発見の一般的な方法であり、その性能を改善するために様々なアーキテクチャやパイプラインが提案されている。
VAEアプローチは、データが高次元の周囲空間に埋め込まれた低次元多様体上にあるとき、多様体の回復不良に悩まされることが知られている。
本稿では, 合成データセット上での多様体回復を向上する多段階VAEアプローチを創薬分野に適用することを検討する。
論文 参考訳（メタデータ） (2023-08-24T20:22:22Z) - Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。
化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。
最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
論文 参考訳（メタデータ） (2023-08-02T22:18:41Z) - Beyond Chemical Language: A Multimodal Approach to Enhance Molecular
Property Prediction [2.1202329976106924]
本稿では,化学言語表現と物理化学的特徴を組み合わせた分子特性予測のための新しい多モーダル言語モデルを提案する。
提案手法であるMultiMODAL-MOLFORMERは,特定の標的特性に対する直接因果効果に基づいて物理化学的特徴を同定する因果多段階特徴選択法を用いている。
ケミカル言語ベースのMOLFORMERやグラフニューラルネットワークなど,既存の最先端アルゴリズムと比較して,優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-22T13:28:59Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2021-11-30T06:10:22Z) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T18:51:18Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z)
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。