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
- Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳(メタデータ) (2022-08-30T09:32:39Z) - 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) - AlphaFold Accelerates Artificial Intelligence Powered Drug Discovery:
Efficient Discovery of a Novel Cyclin-dependent Kinase 20 (CDK20) Small
Molecule Inhibitor [9.89420507558956]
我々はAlphaFoldを用いて、実験構造のない新規ターゲットの第一級ヒット分子の同定に成功した。
ターゲット選択後30日以内にKd値8.9 +/-1.6 uMのCDK20の分子ヒット化合物を同定した。
これはCDK20を標的とする最初の小さな分子であり、さらに重要なことは、初期の薬物発見におけるヒット同定プロセスにおけるAlphaFoldの応用の初めての実演である。
論文 参考訳(メタデータ) (2022-01-21T07:35:24Z) - 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) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-04-26T21:40:03Z) - 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。