論文の概要: Multi-objective Molecular Optimization for Opioid Use Disorder Treatment
Using Generative Network Complex
- arxiv url: http://arxiv.org/abs/2306.07484v1
- Date: Tue, 13 Jun 2023 01:12:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 15:31:34.905736
- Title: Multi-objective Molecular Optimization for Opioid Use Disorder Treatment
Using Generative Network Complex
- Title(参考訳): 生成ネットワークコンプレックスを用いたオピオイド使用障害治療のための多目的分子最適化
- Authors: Hongsong Feng, Rui Wang, Chang-Guo Zhan, Guo-Wei Wei
- Abstract要約: オピオイド・ユース障害(OUD)が世界的な健康問題として浮上している。
本研究では,微分方程式(SDE)に基づく拡散モデルと事前学習された自己エンコーダモデルの潜在空間を結合した深部生成モデルを提案する。
分子発生器は、複数の標的に有効である分子の効率的な生成を可能にする。
- 参考スコア(独自算出の注目度): 5.33208055504216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Opioid Use Disorder (OUD) has emerged as a significant global public health
issue, with complex multifaceted conditions. Due to the lack of effective
treatment options for various conditions, there is a pressing need for the
discovery of new medications. In this study, we propose a deep generative model
that combines a stochastic differential equation (SDE)-based diffusion modeling
with the latent space of a pretrained autoencoder model. The molecular
generator enables efficient generation of molecules that are effective on
multiple targets, specifically the mu, kappa, and delta opioid receptors.
Furthermore, we assess the ADMET (absorption, distribution, metabolism,
excretion, and toxicity) properties of the generated molecules to identify
drug-like compounds. To enhance the pharmacokinetic properties of some lead
compounds, we employ a molecular optimization approach. We obtain a diverse set
of drug-like molecules. We construct binding affinity predictors by integrating
molecular fingerprints derived from autoencoder embeddings, transformer
embeddings, and topological Laplacians with advanced machine learning
algorithms. Further experimental studies are needed to evaluate the
pharmacological effects of these drug-like compounds for OUD treatment. Our
machine learning platform serves as a valuable tool in designing and optimizing
effective molecules for addressing OUD.
- Abstract(参考訳): オピオイド使用障害(OUD)は、複雑な多面的状態を伴う、世界的な公衆衛生問題として浮上している。
様々な病態に対する効果的な治療オプションが欠如しているため、新しい薬物の発見が迫られている。
本研究では,確率微分方程式(sde)に基づく拡散モデルと事前学習されたオートエンコーダモデルの潜在空間を組み合わせた深部生成モデルを提案する。
分子発生装置は、複数の標的、特にmu、kappa、デルタオピオイド受容体に有効な分子の効率的な生成を可能にする。
さらに, 生成分子のADMET特性(吸収, 分布, 代謝, 排ガス, 毒性)を評価し, 薬物様化合物を同定した。
いくつかの鉛化合物の薬物動態性を高めるために, 分子最適化アプローチを用いる。
我々は多種多様な薬物様分子を得る。
自動エンコーダ埋め込み、トランスフォーマー埋め込み、トポロジカルラプラシアンに由来する分子指紋を高度な機械学習アルゴリズムで統合し、結合親和性予測器を構築する。
これらの薬様化合物のオード処理に対する薬理学的効果を評価するには、さらなる実験的研究が必要である。
私たちの機械学習プラットフォームは、oudに対処するための効果的な分子の設計と最適化に有用なツールとして役立ちます。
関連論文リスト
- Integrating Chemical Language and Molecular Graph in Multimodal Fused
Deep Learning for Drug Property Prediction [9.948710779498487]
分子表現の異なる多モード深層学習モデルを構築した。
モノモーダルモデルと比較すると,マルチモーダルフューズドディープラーニング(MMFDL)モデルは単一モデルよりも精度,信頼性,耐雑音性に優れている。
論文 参考訳(メタデータ) (2023-12-29T07:19:42Z) - 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) - Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳(メタデータ) (2023-10-05T11:43:21Z) - HD-Bind: Encoding of Molecular Structure with Low Precision,
Hyperdimensional Binary Representations [3.3934198248179026]
超次元計算(HDC)は、低精度二進ベクトル算術を活用できる学習パラダイムである。
本稿では,HDCに基づく推論手法が,より複雑な機械学習手法よりも90倍効率が高いことを示す。
論文 参考訳(メタデータ) (2023-03-27T21:21:46Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳(メタデータ) (2023-02-04T01:32:40Z) - 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) - 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) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存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) (2020-11-03T18:51:18Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
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) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳(メタデータ) (2020-05-22T15:57:58Z)
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。