論文の概要: Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2302.07868v6
- Date: Fri, 26 Jul 2024 11:59:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-29 18:51:23.447038
- Title: Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks
- Title(参考訳): グラフ変換器を用いた生成逆数ネットワークを用いた薬物候補分子のターゲット特異的デノボ設計
- Authors: Atabey Ünlü, Elif Çevrim, Ahmet Sarıgün, Melih Gökay Yiğit, Hayriye Çelikbilek, Osman Bayram, Heval Ataş Güvenilir, Altay Koyaş, Deniz Cansen Kahraman, Abdurrahman Olğaç, Ahmet Rifaioğlu, Erden Banoğlu, Tunca Doğan,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Discovering novel drug candidate molecules is one of the most fundamental and critical steps in drug development. Generative deep learning models, which create synthetic data given a probability distribution, offer a high potential for designing de novo molecules. However, for them to be useful in real-life drug development pipelines, these models should be able to design drug-like and target-centric molecules. In this study, we propose an end-to-end generative system, DrugGEN, for the de novo design of drug candidate molecules that interact with intended target proteins. The proposed method represents molecules as graphs and processes them via a generative adversarial network comprising graph transformer layers. The system is trained using a large dataset of drug-like compounds and target-specific bioactive molecules to design effective inhibitory molecules against the AKT1 protein, which is critically important in developing treatments for various types of cancer. We conducted molecular docking and dynamics to assess the target-centric generation performance of the model, as well as attention score visualisation to examine model interpretability. Results indicate that our de novo molecules have a high potential for interacting with the AKT1 protein at the level of its native ligands. Using the open-access DrugGEN codebase, it is possible to easily train models for other druggable proteins, given a dataset of experimentally known bioactive molecules.
- Abstract(参考訳): 新規な薬物候補分子の発見は、薬物開発における最も基本的で重要なステップの1つである。
確率分布を与えられた合成データを生成する生成的ディープラーニングモデルは、デノボ分子を設計するための高い可能性を提供する。
しかし、現実の医薬品開発パイプラインで有用であるためには、これらのモデルが薬物様で標的中心の分子を設計できる必要がある。
本研究では,標的タンパク質と相互作用する薬物候補分子のデノボ設計のための,エンド・ツー・エンドな生成システムであるDragonGENを提案する。
提案手法は, 分子をグラフとして表現し, グラフトランスフォーマー層からなる生成逆ネットワークを介して処理する。
このシステムは、薬物様化合物の大規模なデータセットと標的特異的な生物活性分子を用いて訓練され、様々な種類のがんの治療の開発において重要なAKT1タンパク質に対する効果的な阻害分子を設計する。
そこで本研究では,分子ドッキングとダイナミックスを用いて,モデルにおける目標中心生成性能の評価を行い,注意点の可視化を行い,モデルの解釈可能性について検討した。
以上の結果から,我々のデノボ分子はAKT1タンパク質と相互作用する可能性が高いことが示唆された。
オープンアクセスの薬原コードベースを使用することで、実験で知られている生物活性分子のデータセットから、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。
関連論文リスト
- 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) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Energy-based Generative Models for Target-specific Drug Discovery [7.509129971169722]
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。
論文 参考訳(メタデータ) (2022-12-05T16:41:36Z) - 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) - Exploiting Pretrained Biochemical Language Models for Targeted Drug
Design [0.1889930012459365]
本研究では, 標的分子生成モデルの初期化のために, 事前学習された生化学言語モデルを活用することを提案する。
我々は、ビームサーチとサンプリングという2つのデコード戦略を比較して、化合物を生成する。
論文 参考訳(メタデータ) (2022-09-02T12:21:51Z) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳(メタデータ) (2022-08-30T09:32:39Z) - 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) - Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based
Reinforcement Learning Model [4.815696666006742]
構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。
本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。
概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
論文 参考訳(メタデータ) (2022-08-14T10:41:52Z) - 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) - Benchmarking Deep Graph Generative Models for Optimizing New Drug
Molecules for COVID-19 [11.853524110656991]
ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。
本稿では、グラフ生成モデルに基づく小さな薬物分子設計パイプラインと、新型コロナウイルスの標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究について述べる。
論文 参考訳(メタデータ) (2021-02-09T17:49:26Z) - CogMol: Target-Specific and Selective Drug Design for COVID-19 Using
Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。
CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。
CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文 参考訳(メタデータ) (2020-04-02T18:17:20Z)
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。