Fugu-MT 論文翻訳(概要): Balancing Exploration and Exploitation: Disentangled $\beta$-CVAE in De Novo Drug Design

論文の概要: Balancing Exploration and Exploitation: Disentangled $\beta$-CVAE in De Novo Drug Design

arxiv url: http://arxiv.org/abs/2306.01683v2
Date: Fri, 18 Aug 2023 03:11:43 GMT
ステータス: 処理完了
システム内更新日: 2023-08-21 23:38:51.115252
Title: Balancing Exploration and Exploitation: Disentangled $\beta$-CVAE in De Novo Drug Design
Title（参考訳）: ド・ノボの医薬品設計におけるバランシングと爆発:$\beta$-CVAE
Authors: Guang Jun Nicholas Ang, De Tao Irwin Chin and Bingquan Shen
Abstract要約: 分子グラフ$beta$-CVAEモデルを提案する。我々はオクタノール水分配係数(ClogP)、モル屈折率(CMR)、薬物類似度(QED)、合成アクセシビリティスコア(SAS)を最適化した。本モデルでは,両特性とも平均30.07%$pm$0.01%分子を生成した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep generative models have recently emerged as a promising de novo drug design method. In this respect, deep generative conditional variational autoencoder (CVAE) models are a powerful approach for generating novel molecules with desired drug-like properties. However, molecular graph-based models with disentanglement and multivariate explicit latent conditioning have not been fully elucidated. To address this, we proposed a molecular-graph $\beta$-CVAE model for de novo drug design. Here, we empirically tuned the value of disentanglement and assessed its ability to generate molecules with optimised univariate- or-multivariate properties. In particular, we optimised the octanol-water partition coefficient (ClogP), molar refractivity (CMR), quantitative estimate of drug-likeness (QED), and synthetic accessibility score (SAS). Results suggest that a lower $\beta$ value increases the uniqueness of generated molecules (exploration). Univariate optimisation results showed our model generated molecular property averages of ClogP = 41.07% $\pm$ 0.01% and CMR 66.76% $\pm$ 0.01% by the Ghose filter. Multivariate property optimisation results showed that our model generated an average of 30.07% $\pm$ 0.01% molecules for both desired properties. Furthermore, our model improved the QED and SAS (exploitation) of molecules generated. Together, these results suggest that the $\beta$-CVAE could balance exploration and exploitation through disentanglement and is a promising model for de novo drug design, thus providing a basis for future studies.
Abstract（参考訳）: 深層生成モデルは最近、有望なデ・ノボ薬物設計法として登場した。 CVAEモデル(Deep Generative Conditional Variational Autoencoder)は、薬物のような性質を持つ新規分子を生成するための強力なアプローチである。しかし、乱れと多変量明示的な潜伏条件を持つ分子グラフに基づくモデルは完全に解明されていない。これに対処するため,我々は分子グラフ $\beta$-cvae モデルを提案した。ここでは, 乱れの値を実験的に調整し, 最適化された単変量または多変量の性質を持つ分子を生成する能力を評価した。特に,オクタノール水分配係数 (clogp), モル屈折率 (cmr), 薬物類似度の定量的推定 (qed), 合成アクセシビリティスコア (sas) を最適化した。その結果、より低い$\beta$値が生成分子の特異性(探索)を高めることが示唆された。その結果,clogp = 41.07%$\pm$ 0.01%,cmr 66.76%$\pm$ 0.01%の分子特性平均が生成した。多変量特性最適化の結果, 両特性とも平均30.07%$\pm$0.01%分子が得られた。さらに,本モデルは生成分子のQEDおよびSAS(Exploitation)を改善した。これらの結果は、$\beta$-CVAEが解離による探索と搾取のバランスをとることを示唆し、デ・ノボの薬物設計の有望なモデルであり、将来の研究の基礎となることを示唆している。

関連論文リスト

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)
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)
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)
A novel molecule generative model of VAE combined with Transformer for unseen structure generation [0.0]
トランスフォーマーとVAEは強力なモデルとして広く使われているが、構造的ミスマッチと性能的ミスマッチのために組み合わせて使われることは滅多にない。本研究では, この2つのモデルを組み合わせて, 多様な分子の処理における構造とパラメータの最適化を行うモデルを提案する。提案モデルでは, 既存の分子生成モデルに匹敵する性能を示し, 未知の構造を持つ分子生成モデルにおいて, はるかに優れた性能を示す。
論文参考訳（メタデータ） (2024-02-19T08:46:04Z)
Variational Autoencoding Molecular Graphs with Denoising Diffusion Probabilistic Model [0.0]
本稿では,階層構造を確率論的潜在ベクトルに組み込んだ新しい深層生成モデルを提案する。本モデルは,物理特性と活性に関する小さなデータセットを用いて,分子特性予測のための有効な分子潜在ベクトルを設計できることを実証する。
論文参考訳（メタデータ） (2023-07-02T17:29:41Z)
Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文参考訳（メタデータ） (2023-06-09T03:04:21Z)
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)
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)
Conditional $\beta$-VAE for De Novo Molecular Generation [0.0]
本稿では,ポストホック分子最適化を強化するために潜伏空間をアンタングル化する条件付き$beta$-VAEを提案する。我々は、分子の妥当性を高め、より長いシーケンス生成を促進するために、相互情報駆動トレーニングプロトコルとデータ拡張を作成します。
論文参考訳（メタデータ） (2022-05-01T17:38:05Z)
MGCVAE: Multi-objective Inverse Design via Molecular Graph Conditional Variational Autoencoder [0.0]
本研究では,デノボ設計のためのオートエンコーダに基づく分子グラフ生成モデルを提案する。結果: MGCVAEでは25.89%の最適化された分子が生成され, MGVAEでは0.66%であった。
論文参考訳（メタデータ） (2022-02-14T14:33:33Z)

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。