論文の概要: Reinforcement Learning-Driven Linker Design via Fast Attention-based Point Cloud Alignment

• arxiv url: http://arxiv.org/abs/2306.08166v1
• Date: Tue, 13 Jun 2023 22:36:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 20:54:00.318761
• Title: Reinforcement Learning-Driven Linker Design via Fast Attention-based Point Cloud Alignment
• Title（参考訳）: 高速注意に基づくポイントクラウドアライメントによる強化学習型リンカー設計
• Authors: Rebecca M. Neeser, Mehmet Akdel, Daniel Kovtun, Luca Naef
• Abstract要約: Proteolysis-Targeting Chimeras (PROTACs) はE3リガーゼと疾患関連タンパク質のブリッジとして機能する。 リンカー領域の設計は、幾何学的および化学的制約のために困難である。 本稿では,リンカのデノボ設計手法であるShapeLinkerを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proteolysis-Targeting Chimeras (PROTACs) represent a novel class of small molecules which are designed to act as a bridge between an E3 ligase and a disease-relevant protein, thereby promoting its subsequent degradation. PROTACs are composed of two protein binding "active" domains, linked by a "linker" domain. The design of the linker domain is challenging due to geometric and chemical constraints given by its interactions, and the need to maximize drug-likeness. To tackle these challenges, we introduce ShapeLinker, a method for de novo design of linkers. It performs fragment-linking using reinforcement learning on an autoregressive SMILES generator. The method optimizes for a composite score combining relevant physicochemical properties and a novel, attention-based point cloud alignment score. This new method successfully generates linkers that satisfy both relevant 2D and 3D requirements, and achieves state-of-the-art results in producing novel linkers assuming a target linker conformation. This allows for more rational and efficient PROTAC design and optimization. Code and data are available at https://github.com/aivant/ShapeLinker.
• Abstract（参考訳）: Proteolysis-Targeting Chimeras (PROTACs) は、E3リガーゼと疾患関連タンパク質の橋渡しとして機能し、その後の分解を促進するために設計された新規な小分子のクラスである。 PROTACは2つのタンパク質結合性ドメインからなり、「リンカー」ドメインと結合している。 リンカードメインの設計は、その相互作用によって与えられる幾何学的および化学的制約と、薬物類似性を最大化する必要性のために困難である。 このような課題に対処するために,我々はShapeLinkerを紹介した。 自己回帰SMILESジェネレータ上で強化学習を用いてフラグメントリンクを行う。 関連する物理化学的特性と、新しい注意に基づくポイントクラウドアライメントスコアとを組み合わせた複合スコアを最適化する。 提案手法は,関連する2次元および3次元要件を満足するリンカの生成に成功し,目標リンカのコンフォーメーションを仮定して新たなリンカを生成できる。 これにより、より合理的で効率的な PROTAC の設計と最適化が可能になる。 コードとデータはhttps://github.com/aivant/shapelinkerで入手できる。

関連論文リスト

• Reprogramming Pretrained Target-Specific Diffusion Models for Dual-Target Drug Design [21.666641467687214]
  生成タスクとして二重ターゲットのドラッグデザインを定式化し、シナジスティックな薬物の組み合わせに基づいて、潜在的なターゲットペアの新たなデータセットをキュレートする。 本稿では,単一ターゲットタンパク質-リガンド複合体対で訓練された拡散モデルを用いた二重ターゲット薬物の設計を提案する。 我々のアルゴリズムは、単一目標事前学習で得られた知識をゼロショット方式で二重目標シナリオに転送することができる。
  論文  参考訳（メタデータ） (2024-10-28T02:48:31Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• 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)
• De novo design of protein target specific scaffold-based Inhibitors via Reinforcement Learning [8.210294479991118]
  標的タンパク質の分子開発への現在のアプローチは直観駆動であり、反復的な設計-テストサイクルが遅くなるのを妨げている。 本稿では3D-MolGNN$_RL$と呼ばれる新しいフレームワークを提案する。 われわれのアプローチは、最適化された活動、有効性、生体物理特性によるリード最適化のための解釈可能な人工知能(AI)ツールとして機能する。
  論文  参考訳（メタデータ） (2022-05-21T00:47:35Z)
• 3DLinker: An E(3) Equivariant Variational Autoencoder for Molecular Linker Design [9.806910643086043]
  本稿では,アンカー原子を予測し,リンカーグラフとその3D構造を共同生成できる条件生成モデル3DLinkerを提案する。 我々のモデルは、分子グラフの回収において著しく高い速度を持ち、さらに重要なことは、全ての原子の3次元座標を正確に予測することである。
  論文  参考訳（メタデータ） (2022-05-15T15:26:29Z)
• 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)
• One-Shot Adaptation of GAN in Just One CLIP [51.188396199083336]
  本稿では,CLIP空間を統一した単一ショットGAN適応方式を提案する。 具体的には、CLIP誘導潜在最適化を用いて、ソースジェネレータ内の参照画像検索という2段階のトレーニング戦略を採用する。 対象のテクスチャで多様な出力を生成し,質的かつ定量的にベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-17T13:03:06Z)
• Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
  位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。 この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
  論文  参考訳（メタデータ） (2021-04-01T10:19:40Z)
• Attentive WaveBlock: Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-identification and Beyond [97.25179345878443]
  本稿では,新しい軽量モジュールであるAttentive WaveBlock (AWB)を提案する。 AWBは相互学習の二重ネットワークに統合され、相互学習の相補性を高め、擬似ラベルのノイズをさらに抑えることができる。 実験により, 提案手法は, 複数のUDA人物再識別タスクを大幅に改善し, 最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T15:40:40Z)

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。