論文の概要: Optimizing Drug Design by Merging Generative AI With Active Learning Frameworks

• arxiv url: http://arxiv.org/abs/2305.06334v1
• Date: Thu, 4 May 2023 13:25:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-14 20:47:15.529526
• Title: Optimizing Drug Design by Merging Generative AI With Active Learning Frameworks
• Title（参考訳）: 生成AIとアクティブラーニングフレームワークを融合した薬物設計の最適化
• Authors: Isaac Filella-Merce, Alexis Molina, Marek Orzechowski, Luc\'ia D\'iaz, Yang Ming Zhu, Julia Vilalta Mor, Laura Malo, Ajay S Yekkirala, Soumya Ray, Victor Guallar
• Abstract要約: 我々は、変分オートエンコーダとアクティブラーニングステップに基づいて、ジェネレーティブAI(GM)ワークフローを開発した。 デザインされたGMワークフローは、薬物の類似性、合成可能性、類似性、ドッキングスコアなどの分子メトリクスから反復的に学習する。 GMワークフローで推定される高親和性分子の割合は,トレーニングデータより有意に大きかった。
• 参考スコア（独自算出の注目度）: 2.6062146828550903
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Traditional drug discovery programs are being transformed by the advent of machine learning methods. Among these, Generative AI methods (GM) have gained attention due to their ability to design new molecules and enhance specific properties of existing ones. However, current GM methods have limitations, such as low affinity towards the target, unknown ADME/PK properties, or the lack of synthetic tractability. To improve the applicability domain of GM methods, we have developed a workflow based on a variational autoencoder coupled with active learning steps. The designed GM workflow iteratively learns from molecular metrics, including drug likeliness, synthesizability, similarity, and docking scores. In addition, we also included a hierarchical set of criteria based on advanced molecular modeling simulations during a final selection step. We tested our GM workflow on two model systems, CDK2 and KRAS. In both cases, our model generated chemically viable molecules with a high predicted affinity toward the targets. Particularly, the proportion of high-affinity molecules inferred by our GM workflow was significantly greater than that in the training data. Notably, we also uncovered novel scaffolds significantly dissimilar to those known for each target. These results highlight the potential of our GM workflow to explore novel chemical space for specific targets, thereby opening up new possibilities for drug discovery endeavors.
• Abstract（参考訳）: 伝統的な薬物発見プログラムは、機械学習手法の出現によって変化しつつある。 これらのうち、ジェネレーティブaiメソッド(gm)は、新しい分子の設計能力と既存の分子の特定の特性の強化によって注目を集めている。 しかし、現在のGM法には、ターゲットに対する親和性、未知のADME/PK特性、合成的トラクタビリティの欠如などの制限がある。 GM手法の適用性ドメインを改善するために,能動的学習ステップと組み合わされた変分オートエンコーダに基づくワークフローを開発した。 デザインされたGMワークフローは、薬物類似性、合成可能性、類似性、ドッキングスコアなどの分子メトリクスから反復的に学習する。 さらに,最終選択段階における高度な分子モデリングシミュレーションに基づく階層的基準も含む。 GMワークフローをCDK2とKRASの2つのモデルシステムでテストした。 いずれの場合も,本モデルでは,ターゲットに対して高い親和性を示す化学的に有効な分子を生成する。 特に,GMワークフローで推定される高親和性分子の割合は,トレーニングデータよりも有意に大きかった。 また,本研究では,各ターゲットに共通する新規な足場も明らかにした。 これらの結果は、特定のターゲットのための新しい化学空間を探索するGMワークフローの可能性を強調し、薬物発見への新たな可能性を開く。

関連論文リスト

• 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)
• De novo Drug Design using Reinforcement Learning with Multiple GPT Agents [16.508471997999496]
  MolRL-MGPTは、薬物分子生成のための複数のGPTエージェントを用いた強化学習アルゴリズムである。 このアルゴリズムはGurcaMolベンチマークで有望な結果を示し,SARS-CoV-2タンパク質標的に対する阻害剤の設計に有効であることを示した。
  論文  参考訳（メタデータ） (2023-12-21T13:24:03Z)
• 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)
• LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
  本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。 総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。 生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
  論文  参考訳（メタデータ） (2022-06-17T21:05:58Z)
• 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)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• 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)
• Artificial Intelligence based Autonomous Molecular Design for Medical Therapeutic: A Perspective [9.371378627575883]
  ドメイン認識機械学習(ML)モデルは、小さな分子治療設計の加速にますます採用されている。 我々は、各コンポーネントによって達成された最新のブレークスルーと、このような自律型AIとMLワークフローをどのように実現できるかを提示する。
  論文  参考訳（メタデータ） (2021-02-10T00:43:46Z)
• 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)
• Scaffold-constrained molecular generation [0.0]
  SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。 本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
  論文  参考訳（メタデータ） (2020-09-15T15:41:18Z)

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。