Fugu-MT 論文翻訳(概要): DiffDTM: A conditional structure-free framework for bioactive molecules generation targeted for dual proteins

論文の概要: DiffDTM: A conditional structure-free framework for bioactive molecules generation targeted for dual proteins

arxiv url: http://arxiv.org/abs/2306.13957v1
Date: Sat, 24 Jun 2023 13:08:55 GMT
ステータス: 処理完了
システム内更新日: 2023-06-27 18:01:48.307375
Title: DiffDTM: A conditional structure-free framework for bioactive molecules generation targeted for dual proteins
Title（参考訳）: diffdtm:二重タンパク質を標的とした生物活性分子生成のための条件付き構造フリーフレームワーク
Authors: Lei Huang, Zheng Yuan, Huihui Yan, Rong Sheng, Linjing Liu, Fuzhou Wang, Weidun Xie, Nanjun Chen, Fei Huang, Songfang Huang, Ka-Chun Wong, Yaoyun Zhang
Abstract要約: DiffDTMは、二重ターゲット分子生成のための拡散モデルに基づく条件付き構造自由な深層生成モデルである。我々は、DiffDTMが薬物様、合成可能、新規、高結合性アフィニティ分子を生成できることを実証するために、総合的な多視点実験を行った。実験結果から,DiffDTMは見知らぬ二重ターゲットに容易に接続して生体活性分子を生成できることが示唆された。
参考スコア（独自算出の注目度）: 35.72694124335747
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Advances in deep generative models shed light on de novo molecule generation with desired properties. However, molecule generation targeted for dual protein targets still faces formidable challenges including protein 3D structure data requisition for model training, auto-regressive sampling, and model generalization for unseen targets. Here, we proposed DiffDTM, a novel conditional structure-free deep generative model based on a diffusion model for dual targets based molecule generation to address the above issues. Specifically, DiffDTM receives protein sequences and molecular graphs as inputs instead of protein and molecular conformations and incorporates an information fusion module to achieve conditional generation in a one-shot manner. We have conducted comprehensive multi-view experiments to demonstrate that DiffDTM can generate drug-like, synthesis-accessible, novel, and high-binding affinity molecules targeting specific dual proteins, outperforming the state-of-the-art (SOTA) models in terms of multiple evaluation metrics. Furthermore, we utilized DiffDTM to generate molecules towards dopamine receptor D2 and 5-hydroxytryptamine receptor 1A as new antipsychotics. The experimental results indicate that DiffDTM can be easily plugged into unseen dual targets to generate bioactive molecules, addressing the issues of requiring insufficient active molecule data for training as well as the need to retrain when encountering new targets.
Abstract（参考訳）: 深部生成モデルの進歩は、望ましい性質を持つデ・ノボ分子生成に光を当てた。しかし、二重タンパク質ターゲットをターゲットとする分子生成は、モデルトレーニングのためのタンパク質3D構造データ取得、自動回帰サンプリング、見えないターゲットのためのモデル一般化など、深刻な課題に直面している。本稿では, 二重ターゲット分子生成のための拡散モデルに基づく条件付き構造自由深部生成モデルDiffDTMを提案する。具体的には、DiffDTMはタンパク質配列と分子グラフをタンパク質や分子構造の代わりに入力として受け取り、情報融合モジュールを組み込んで1ショットで条件生成を行う。我々は、diffdtmが特定の二重タンパク質を標的とした薬物様、合成可能、新規、高結合の親和性分子を生成できることを実証するために、包括的な多視点実験を行った。さらに,新しい抗精神病薬としてDiffDTMを用いてドパミン受容体D2および5-ヒドロキシトリプタミン受容体1Aに分子を誘導した。実験の結果, diffdtm は生体活性分子を発生させるため, 生体活性分子を検出できない二重標的に容易に挿入でき, トレーニングに活性分子データ不足や新たな標的に遭遇した場合のリトレーニングの必要性に対処できることが示唆された。

関連論文リスト

LDMol: Text-to-Molecule Diffusion Model with Structurally Informative Latent Space [55.5427001668863]
テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。 LDMolは、学習可能で構造的に有意な特徴空間を生成する分子オートエンコーダを含む。我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
論文参考訳（メタデータ） (2024-05-28T04:59:13Z)
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)
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)
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)
SILVR: Guided Diffusion for Molecule Generation [0.0]
本稿では,既存の生成モデルを再学習せずに条件付けする機械学習手法を提案する。このモデルでは、フラグメントヒットに基づいてタンパク質の結合部位に適合する新しい分子を生成することができる。我々は、中程度のSILVR速度により、元の断片と類似した形状の新しい分子を生成できることを示した。
論文参考訳（メタデータ） (2023-04-21T11:47:38Z)
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)
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)
Benchmarking Deep Graph Generative Models for Optimizing New Drug Molecules for COVID-19 [11.853524110656991]
ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。本稿では、グラフ生成モデルに基づく小さな薬物分子設計パイプラインと、新型コロナウイルスの標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究について述べる。
論文参考訳（メタデータ） (2021-02-09T17:49:26Z)
CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文参考訳（メタデータ） (2020-04-02T18:17:20Z)

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。