論文の概要: Implementation of The Future of Drug Discovery: QuantumBased Machine Learning Simulation (QMLS)

• arxiv url: http://arxiv.org/abs/2308.08561v1
• Date: Mon, 14 Aug 2023 13:18:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-27 05:26:22.405432
• Title: Implementation of The Future of Drug Discovery: QuantumBased Machine Learning Simulation (QMLS)
• Title（参考訳）: 薬物発見の未来:量子ベースの機械学習シミュレーション(qmls)
• Authors: Yew Kee Wong, Yifan Zhou, Yan Shing Liang, Haichuan Qiu, Yu Xi Wu, Bin He
• Abstract要約: 我々は,新たなコンセプトQMLSを導入し,R&Dフェーズ全体を3～6ヶ月短縮し,コストを5～8万USDに短縮する。 ヒット生成のために、機械学習分子生成(MLMG)は標的タンパク質の分子構造に応じてヒットを生成する。 リード最適化では、QSGから生成・濾過された結果の分子を比較し、両方のプロセスの結果として現れる分子を数十のバリエーションに分類する。
• 参考スコア（独自算出の注目度）: 8.974868510379332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Research & Development (R&D) phase of drug development is a lengthy and costly process. To revolutionize this process, we introduce our new concept QMLS to shorten the whole R&D phase to three to six months and decrease the cost to merely fifty to eighty thousand USD. For Hit Generation, Machine Learning Molecule Generation (MLMG) generates possible hits according to the molecular structure of the target protein while the Quantum Simulation (QS) filters molecules from the primary essay based on the reaction and binding effectiveness with the target protein. Then, For Lead Optimization, the resultant molecules generated and filtered from MLMG and QS are compared, and molecules that appear as a result of both processes will be made into dozens of molecular variations through Machine Learning Molecule Variation (MLMV), while others will only be made into a few variations. Lastly, all optimized molecules would undergo multiple rounds of QS filtering with a high standard for reaction effectiveness and safety, creating a few dozen pre-clinical-trail-ready drugs. This paper is based on our first paper, where we pitched the concept of machine learning combined with quantum simulations. In this paper we will go over the detailed design and framework of QMLS, including MLMG, MLMV, and QS.
• Abstract（参考訳）: 研究開発段階(research & development, r&d)は長くコストのかかるプロセスである。 このプロセスに革命をもたらすため、我々は新たなコンセプトQMLSを導入し、R&Dフェーズ全体を3～6ヶ月に短縮し、コストを5～8万USDに短縮する。 ヒット生成のために、機械学習分子生成(mlmg)はターゲットタンパク質の分子構造に応じてヒットを発生させ、量子シミュレーション(qs)はターゲットタンパク質との反応と結合効果に基づいて一次エッセイから分子をフィルタリングする。 次に、リード最適化のために、mlmgおよびqsから生成およびフィルタリングされた結果分子を比較し、両方のプロセスの結果として現れる分子を、機械学習分子変異(mlmv)を介して数十の分子変動にし、他の分子はいくつかのバリエーションにのみ変換する。 最後に、全ての最適化された分子は、反応効率と安全性の基準の高いQSフィルターを複数回実施し、数十個の前臨床薬を合成する。 本論文は、量子シミュレーションと組み合わせた機械学習の概念を売り込んだ最初の論文に基づいている。 本稿では、MLMG、MLMV、QSを含むQMLSの詳細な設計とフレームワークについて述べる。

関連論文リスト

• DrugLLM: Open Large Language Model for Few-shot Molecule Generation [20.680942401843772]
  DrugLLMは、過去の修飾に基づいて次の分子を予測することで、薬物発見における分子の修飾方法を学ぶ。 計算実験では、限られた例に基づいて期待された特性を持つ新しい分子を生成することができる。
  論文  参考訳（メタデータ） (2024-05-07T09:18:13Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Molecular Fingerprints for Robust and Efficient ML-Driven Molecular Generation [0.0]
  そこで本研究では,分子生成に応用した分子指紋を用いた可変オートエンコーダを提案する。 化学合成アクセシビリティ(DeltabarSAS$=-0.83)と計算効率は,既存のSMILESアーキテクチャと比較して5.9倍に向上した。
  論文  参考訳（メタデータ） (2022-11-16T18:07:43Z)
• 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)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Modern Hopfield Networks for Few- and Zero-Shot Reaction Prediction [3.885603826656419]
  物理分子を実現するコンピュータ支援合成計画(CASP)はまだ初期段階にあり、大規模な分子発見を可能にする性能レベルが欠けています。 コントラスト学習により最適化された最新のHopfieldネットワーク(MHN)を用いた深層学習アーキテクチャを用いた新しい反応予測手法を提案する。 その結果,mhnのコントラスト学習アプローチは,従来の手法と対照的に,レア,シングル,さらにはトレーニング例のない反応予測に対して,少数およびゼロショットの学習を可能にすることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T17:35:00Z)
• 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)
• Molecular Design Using Signal Processing and Machine Learning: Time-Frequency-like Representation and Forward Design [9.986608420951558]
  我々は、QM-MLパイプラインによく知られた信号処理技術を統合することで、強力な機械(QM-SP-ML)を得ることを示す。 本研究では,分子の構造的,幾何学的,エネルギー的,電子的,熱力学的特性を時間周波数的に表現する。 新しいQM-SP-MLモデルは、QM9データセット(133,855個の分子と19個の性質からなる)でテストされ、許容される化学的精度より低い平均絶対誤差(MAE)を持つ分子の性質を予測することができる。
  論文  参考訳（メタデータ） (2020-04-20T00:58:53Z)

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。