論文の概要: Machine learning for the prediction of safe and biologically active organophosphorus molecules

• arxiv url: http://arxiv.org/abs/2302.10952v1
• Date: Tue, 21 Feb 2023 19:12:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 17:21:43.667874
• Title: Machine learning for the prediction of safe and biologically active organophosphorus molecules
• Title（参考訳）: 安全かつ生物活性な有機リン分子の予測のための機械学習
• Authors: Hang Hu, Hsu Kiang Ooi, Mohammad Sajjad Ghaemi, Anguang Hu
• Abstract要約: 本稿では, 有機リン分子の化学空間をサンプリングするために, 注意モデルを用いたリカレントニューラルネットワーク(RNN)の枠組みを提案する。 目的は、有機リン性殺虫剤や化学兵器のような生物作用様式の分子を予測することであり、人間には毒性が低い。
• 参考スコア（独自算出の注目度）: 2.169755083801688
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug discovery is a complex process with a large molecular space to be considered. By constraining the search space, the fragment-based drug design is an approach that can effectively sample the chemical space of interest. Here we propose a framework of Recurrent Neural Networks (RNN) with an attention model to sample the chemical space of organophosphorus molecules using the fragment-based approach. The framework is trained with a ZINC dataset that is screened for high druglikeness scores. The goal is to predict molecules with similar biological action modes as organophosphorus pesticides or chemical warfare agents yet less toxic to humans. The generated molecules contain a starting fragment of PO2F but have a bulky hydrocarbon side chain limiting its binding effectiveness to the targeted protein.
• Abstract（参考訳）: 薬物発見は、考慮すべき大きな分子空間を持つ複雑なプロセスである。 探索空間を制約することにより、フラグメントベースのドラッグデザインは、化学領域の興味を効果的にサンプリングできるアプローチである。 本稿では, フラグメントベースアプローチを用いて有機リン分子の化学空間をサンプリングするために, 注意モデルを用いたリカレントニューラルネットワーク(RNN)のフレームワークを提案する。 フレームワークはZINCデータセットでトレーニングされ、高い薬物類似度スコアをスクリーニングする。 目的は、有機リン性殺虫剤や化学兵器のような生物作用様式の分子を予測することであり、人間には毒性が低い。 生成した分子はpo2fの開始断片を含むが、標的タンパク質との結合効果を制限するバルク性の炭化水素側鎖を有する。

関連論文リスト

• Navigating Chemical Space with Latent Flows [20.95884505685799]
  本稿では,分子生成モデルによって学習された潜伏空間をフローを通して移動させることにより,化学空間を横断する新しいフレームワークであるChemFlowを提案する。 我々は,分子操作におけるChemFlowの有効性と,教師なしおよび教師なしの両方の分子発見条件下での単目的および多目的最適化タスクの有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T03:55:57Z)
• Generative Active Learning for the Search of Small-molecule Protein Binders [87.106635995213]
  我々は、合成可能な分子を探索するための生成能動的学習アプローチであるLambdaZeroを紹介する。 LambdaZeroは、望まれる性質を持つ候補を見つけるために、分子の広大な空間を探索することを学ぶ。 我々はLambdaZeroに分子ドッキングを施し、エポキシドヒドロラーゼ2(sEH)を阻害する新しい小さな可溶性分子を設計する。 LambdaZeroはsEHの合成可能な薬物様阻害剤の新たな足場を発見する。
  論文  参考訳（メタデータ） (2024-05-02T16:39:21Z)
• STRIDE: Structure-guided Generation for Inverse Design of Molecules [0.24578723416255752]
  $textbfSTRIDE$は、既知の分子によって誘導される無条件生成モデルを持つ新規分子を生成する生成分子ワークフローである。 生成分子は、平均21.7%低い合成アクセシビリティスコアを持ち、生成分子の5.9%のイオン化ポテンシャルを誘導する。
  論文  参考訳（メタデータ） (2023-11-06T08:22:35Z)
• ChemSpaceAL: An Efficient Active Learning Methodology Applied to Protein-Specific Molecular Generation [0.0]
  本稿では,生成したデータのサブセットのみを評価することを必要とする,計算効率のよい能動的学習手法を提案する。 FDAが承認した小分子インヒビターc-Ablキナーゼを用いたタンパク質に対するGPT分子ジェネレータの微調整による標的分子生成への本手法の適用性を実証した。 興味深いことに、このモデルは、その存在を事前に知ることなく、インヒビターに似た分子を生成することを学び、それらのうち2つを正確に再現する。
  論文  参考訳（メタデータ） (2023-09-11T22:28:36Z)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• 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)
• 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)
• RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De Novo Drug Design [75.14290780116002]
  我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。 提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:04:16Z)
• 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)
• 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。