論文の概要: Developing novel ligands with enhanced binding affinity for the sphingosine 1-phosphate receptor 1 using machine learning

• arxiv url: http://arxiv.org/abs/2307.16037v1
• Date: Sat, 29 Jul 2023 17:58:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 18:07:51.977321
• Title: Developing novel ligands with enhanced binding affinity for the sphingosine 1-phosphate receptor 1 using machine learning
• Title（参考訳）: 機械学習を用いたスフィンゴシン1リン酸受容体1の結合親和性を高めた新規リガンドの開発
• Authors: Colin Zhang, Yang Ha
• Abstract要約: 多発性硬化症 (Multiple sclerosis, MS) は、米国の約100万人に影響を及ぼす神経疾患である。 S1PR1のリガンドであるSiponimodは、2019年にFDAによってMS治療のために承認されたが、より良い治療法の必要性が示されている。 この研究は、機械学習が薬物発見プロセスを加速し、タンパク質と薬物の相互作用に関する新たな洞察を明らかにすることを実証している。
• 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: Multiple sclerosis (MS) is a debilitating neurological disease affecting nearly one million people in the United States. Sphingosine-1-phosphate receptor 1, or S1PR1, is a protein target for MS. Siponimod, a ligand of S1PR1, was approved by the FDA in 2019 for MS treatment, but there is a demonstrated need for better therapies. To this end, we finetuned an autoencoder machine learning model that converts chemical formulas into mathematical vectors and generated over 500 molecular variants based on siponimod, out of which 25 compounds had higher predicted binding affinity to S1PR1. The model was able to generate these ligands in just under one hour. Filtering these compounds led to the discovery of six promising candidates with good drug-like properties and ease of synthesis. Furthermore, by analyzing the binding interactions for these ligands, we uncovered several chemical properties that contribute to high binding affinity to S1PR1. This study demonstrates that machine learning can accelerate the drug discovery process and reveal new insights into protein-drug interactions.
• Abstract（参考訳）: 多発性硬化症 (Multiple sclerosis, MS) は、米国の約100万人に影響を及ぼす神経疾患である。 スフィンゴシン-1-リン酸受容体1(s1pr1)は、s1pr1のリガンドであるシポニモドのタンパク質標的であり、2019年にfdaによってms治療のために承認された。 この目的のために、化学式を数式ベクトルに変換し、シポニモッドに基づいて500以上の分子変種を生成するオートエンコーダ機械学習モデルを微調整し、そのうち25の化合物がS1PR1に高い結合親和性を示した。 このモデルでは、これらのリガンドを1時間以内に生成することができた。 これらの化合物を濾過すると、薬のような性質と合成が容易な6つの候補が発見される。 さらに, これらのリガンドの結合相互作用の解析により, S1PR1への高結合親和性に寄与するいくつかの化学的性質を明らかにした。 本研究は、機械学習が創薬プロセスを加速し、タンパク質と薬物の相互作用に関する新たな知見を明らかにすることを実証する。

関連論文リスト

• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Generative Active Learning for the Search of Small-molecule Protein Binders [87.106635995213]
  我々は、合成可能な分子を探索するための生成能動的学習アプローチであるLambdaZeroを紹介する。 LambdaZeroは、望まれる性質を持つ候補を見つけるために、分子の広大な空間を探索することを学ぶ。 我々はLambdaZeroに分子ドッキングを施し、エポキシドヒドロラーゼ2(sEH)を阻害する新しい小さな可溶性分子を設計する。 LambdaZeroはsEHの合成可能な薬物様阻害剤の新たな足場を発見する。
  論文  参考訳（メタデータ） (2024-05-02T16:39:21Z)
• Multi-objective generative AI for designing novel brain-targeting small molecules [0.20088541799100385]
  我々は多目的生成AIを用いて、薬物様のBBB透過性小分子を合成する。 具体的には,ドパミン受容体D2に対する結合親和性を予測した分子を計算的に合成する。 26,581個の新規および多種多様な小分子からなるライブラリーを設計し、高い予測されたBBB透過性と良好な予測された安全性および毒性プロファイルを有するヒットを含む。
  論文  参考訳（メタデータ） (2024-04-16T12:57:06Z)
• 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)
• A Ligand-and-structure Dual-driven Deep Learning Method for the Discovery of Highly Potent GnRH1R Antagonist to treat Uterine Diseases [12.616493352225909]
  ゴナドトロピン放出ホルモン受容体(GnRH1R)は、子宮疾患の治療において有望な治療標的である。 このギャップを埋めるため,我々は,GnRH1Rを標的とした新しい経口活性小分子薬の発見を容易にするための,ディープラーニングベースのフレームワークの開発を目指している。
  論文  参考訳（メタデータ） (2022-07-23T16:04:54Z)
• LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
  本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。 総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。 生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
  論文  参考訳（メタデータ） (2022-06-17T21:05:58Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• 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。