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
- 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) - Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。
TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。
提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
論文 参考訳（メタデータ） (2024-10-17T14:30:27Z) - 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) - Guided Multi-objective Generative AI to Enhance Structure-based Drug Design [0.0]
構造に基づく医薬品設計のための拡散と多目的最適化を組み合わせた生成化学AIであるIDOLproについて述べる。
IDOLproは、各テストセットにおける次の最先端メソッドよりも10%から20%以上の結合親和性で生成する。
我々は、IDOLproが、仮想スクリーンにあるどの分子よりも結合親和性と合成アクセシビリティが良く、様々な重要な疾患関連ターゲットの分子を生成できることを示した。
論文 参考訳（メタデータ） (2024-05-20T05:08:55Z) - Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation [9.442146563809953]
本研究では, 標的親和性, 薬物類似性, 合成性に関連する目的を組み込んだ, 汎用的な「プラグイン」分子生成モデルを構築した。
我々はPSO-ENPを多目的分子生成と最適化のための最適変種として同定する。
論文 参考訳（メタデータ） (2024-04-10T02:37:24Z) - 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) - 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) - 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 [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)
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。