論文の概要: 3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction

• arxiv url: http://arxiv.org/abs/2303.03543v1
• Date: Mon, 6 Mar 2023 23:01:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 17:02:24.947313
• Title: 3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction
• Title（参考訳）: 3次元同変拡散による分子生成と親和性予測
• Authors: Jiaqi Guan, Wesley Wei Qian, Xingang Peng, Yufeng Su, Jian Peng, Jianzhu Ma
• Abstract要約: 標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。 上記の課題を解決するために,3次元同変拡散モデルを開発した。 我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
• 参考スコア（独自算出の注目度）: 9.67574543046801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rich data and powerful machine learning models allow us to design drugs for a specific protein target \textit{in silico}. Recently, the inclusion of 3D structures during targeted drug design shows superior performance to other target-free models as the atomic interaction in the 3D space is explicitly modeled. However, current 3D target-aware models either rely on the voxelized atom densities or the autoregressive sampling process, which are not equivariant to rotation or easily violate geometric constraints resulting in unrealistic structures. In this work, we develop a 3D equivariant diffusion model to solve the above challenges. To achieve target-aware molecule design, our method learns a joint generative process of both continuous atom coordinates and categorical atom types with a SE(3)-equivariant network. Moreover, we show that our model can serve as an unsupervised feature extractor to estimate the binding affinity under proper parameterization, which provides an effective way for drug screening. To evaluate our model, we propose a comprehensive framework to evaluate the quality of sampled molecules from different dimensions. Empirical studies show our model could generate molecules with more realistic 3D structures and better affinities towards the protein targets, and improve binding affinity ranking and prediction without retraining.
• Abstract（参考訳）: リッチデータと強力な機械学習モデルにより、特定のタンパク質の標的である \textit{in silico} の薬を設計できる。 近年,3d空間における原子間相互作用が明示的にモデル化されているため,標的薬物設計中に3d構造が組み込まれることは,他の標的フリーモデルよりも優れた性能を示す。 しかし、現在の3Dターゲットアウェアモデルは、ボキセル化原子密度または自己回帰サンプリングプロセスに依存しており、回転に不変ではないか、非現実的な構造をもたらす幾何学的制約に容易に違反する。 本研究では,上記の課題を解決する3次元同変拡散モデルを開発した。 ターゲット認識分子設計を実現するため,SE(3)-同変ネットワークを用いた連続原子座標とカテゴリー原子型の両方の結合生成過程を学習する。 さらに, 本モデルは, 適切なパラメータ化下での結合親和性を推定するための教師なし特徴抽出器として機能することを示し, 薬物スクリーニングに有効な方法を示した。 本モデルを評価するため,異なる次元から試料分子の品質を評価するための包括的枠組みを提案する。 実験研究では,よりリアルな3d構造を持つ分子を生成でき,タンパク質標的に対する親和性が向上し,再訓練することなく結合親和性ランキングや予測が向上することが示された。

関連論文リスト

• Enhancing Retrosynthesis with Conformer: A Template-Free Method [2.990854929039588]
  再合成は、有機合成と薬物開発において重要な役割を担っている。 本稿では,3次元コンフォメータデータと空間情報を組み合わせたトランスフォーマーベースのテンプレートフリー手法を提案する。 我々のアプローチには、入力段階で3D位置データを統合するAtom-align Fusionモジュールが含まれています。
  論文  参考訳（メタデータ） (2025-01-21T18:54:16Z)
• Learning Disentangled Equivariant Representation for Explicitly Controllable 3D Molecule Generation [29.905705361297578]
  テキスト特異的制御による3Dドラッグ様分子の条件生成 本稿では,E(3)-同変ワッサースタインオートエンコーダを提案し,生成モデルの潜伏空間を分子特性と3次元分子の構造的文脈の2つの相違点に分解する。
  論文  参考訳（メタデータ） (2024-12-19T17:33:56Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Structure-Based Drug Design via 3D Molecular Generative Pre-training and Sampling [18.872622147078292]
  我々は,3次元分子生成と最適化フレームワークを組み合わせるため,MorEdit3Dを提案する。 フラグメントを用いた分子生成のための新しい3次元グラフ編集モデルを開発した。 そこで,本研究では,自己サンプル分子を用いた目標学習戦略を用いて,目標関連特性を改善する。
  論文  参考訳（メタデータ） (2024-02-22T06:17:11Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• Structure-based Drug Design with Equivariant Diffusion Models [40.73626627266543]
  本稿では,タンパク質ポケットに新しい条件を付加したSE(3)-同変拡散モデルDiffSBDDを提案する。 我々のサイリコ実験では、DiffSBDDが地上の真実データの統計を効果的に捉えていることが示されています。 これらの結果は、拡散モデルが従来の方法よりも正確に構造データの複雑な分布を表すという仮定を支持する。
  論文  参考訳（メタデータ） (2022-10-24T15:51:21Z)
• Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
  この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。 提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
  論文  参考訳（メタデータ） (2022-03-31T12:52:25Z)
• A 3D Molecule Generative Model for Structure-Based Drug Design [18.29582138009123]
  構造に基づく薬物設計において、特定のタンパク質結合部位に結合する分子を生成するという根本的な問題を研究する。 指定された3Dタンパク質結合部位に与えられた分子を生成する3D生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-20T03:54:47Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。