Fugu-MT 論文翻訳(概要): Learning Subpocket Prototypes for Generalizable Structure-based Drug Design

論文の概要: Learning Subpocket Prototypes for Generalizable Structure-based Drug Design

arxiv url: http://arxiv.org/abs/2305.13997v1
Date: Mon, 22 May 2023 13:49:49 GMT
ステータス: 処理完了
システム内更新日: 2023-05-24 16:41:14.586630
Title: Learning Subpocket Prototypes for Generalizable Structure-based Drug Design
Title（参考訳）: 汎用構造に基づく医薬品設計のためのサブポケットプロトタイプの学習
Authors: Zaixi Zhang, Qi Liu
Abstract要約: 深部生成モデルは、タンパク質ポケットに固定された3D分子の生成において顕著な成功を収めた。既存の方法の多くは、タンパク質ポケットの分子生成を独立に考慮している。本稿では, 汎用構造に基づく医薬品設計のための新しいドラッグGPS法を提案する。
参考スコア（独自算出の注目度）: 17.61987808099346
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Generating molecules with high binding affinities to target proteins (a.k.a. structure-based drug design) is a fundamental and challenging task in drug discovery. Recently, deep generative models have achieved remarkable success in generating 3D molecules conditioned on the protein pocket. However, most existing methods consider molecular generation for protein pockets independently while neglecting the underlying connections such as subpocket-level similarities. Subpockets are the local protein environments of ligand fragments and pockets with similar subpockets may bind the same molecular fragment (motif) even though their overall structures are different. Therefore, the trained models can hardly generalize to unseen protein pockets in real-world applications. In this paper, we propose a novel method DrugGPS for generalizable structure-based drug design. With the biochemical priors, we propose to learn subpocket prototypes and construct a global interaction graph to model the interactions between subpocket prototypes and molecular motifs. Moreover, a hierarchical graph transformer encoder and motif-based 3D molecule generation scheme are used to improve the model's performance. The experimental results show that our model consistently outperforms baselines in generating realistic drug candidates with high affinities in challenging out-of-distribution settings.
Abstract（参考訳）: 標的タンパク質(構造に基づく薬物設計)に高い結合親和性を持つ分子を生成することは、薬物発見の基本的な課題である。近年, タンパク質ポケットに固定された3D分子の生成において, 深い生成モデルが顕著に成功している。しかし、既存の方法の多くはタンパク質ポケットの分子生成を独立に考慮し、サブポケットレベルの類似性のような基礎的な接続を無視している。サブポケットはリガンド断片の局所的なタンパク質環境であり、同様のサブポケットを持つポケットは、全体構造が異なるにもかかわらず同じ分子断片(モチーフ)を結合することができる。したがって、訓練されたモデルは、現実世界の応用において、見えないタンパク質ポケットにはほとんど一般化できない。本稿では, 汎用構造型医薬品設計のための新しいドラッグGPS法を提案する。本稿では, サブポケットのプロトタイプを学習し, サブポケットのプロトタイプと分子モチーフの相互作用をモデル化するためのグローバルな相互作用グラフを構築することを提案する。さらに、モデルの性能向上のために、階層型グラフトランスフォーマーエンコーダとモチーフベースの3次元分子生成方式を用いる。実験の結果, 本モデルは, 分布域外環境において高い親和性を持つ現実的な薬物候補の生成において, 一貫してベースラインを上回っていることがわかった。

関連論文リスト

PILOT: Equivariant diffusion for pocket conditioned de novo ligand generation with multi-objective guidance via importance sampling [8.619610909783441]
等変拡散モデル PILOT を用いて,$textitde novo$ で 3次元リガンド構造を生成するためのシリカ内アプローチを提案する。その多目的的重要度サンプリング戦略は、モデルが望ましい特性を示す分子に向けられるよう設計されている。我々はPILOTを用いて、Kinodata-3Dデータセットから未確認タンパク質ポケットの新しいメトリクスを生成する。
論文参考訳（メタデータ） (2024-05-23T17:58:28Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
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)
Generation of 3D Molecules in Pockets via Language Model [0.0]
逐次線記法(SMILES)やグラフ表現に基づく分子の生成モデルは、構造に基づく薬物設計の分野への関心が高まっている。本稿では,言語モデルと幾何学的深層学習技術を組み合わせたポケットベースの3次元分子生成手法であるLingo3DMolを紹介する。
論文参考訳（メタデータ） (2023-05-17T11:31:06Z)
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)
DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
論文参考訳（メタデータ） (2022-11-21T07:02:15Z)
Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。 DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他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） (2022-10-11T09:13:37Z)
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)
In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation [0.0]
本稿では,関係グラフアーキテクチャ内の3次元タンパク質-リガンド接触を符号化したグラフベース生成モデリング技術を提案する。これらのモデルは、活性特異的な分子生成を可能にする条件付き変分オートエンコーダと、ターゲットの結合ポケット内の分子相互作用の予測を提供する配置接触生成を組み合わせる。
論文参考訳（メタデータ） (2022-04-05T22:53:51Z)

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。