論文の概要: NovoMol: Recurrent Neural Network for Orally Bioavailable Drug Design
and Validation on PDGFR{\alpha} Receptor
- arxiv url: http://arxiv.org/abs/2312.01527v1
- Date: Sun, 3 Dec 2023 22:52:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 16:58:32.581447
- Title: NovoMol: Recurrent Neural Network for Orally Bioavailable Drug Design
and Validation on PDGFR{\alpha} Receptor
- Title（参考訳）: NovoMol: PDGFR{\alpha}受容体を用いた経口生化学的医薬品設計とバリデーションのためのリカレントニューラルネットワーク
- Authors: Ishir Rao
- Abstract要約: ニューラルネットを用いた新規なデノボ法を提案し,高い経口質量の薬物分子を生成する。
MonoMolは、臨床試験のために有望な薬物候補を提供する、時間/費用効率のAIベースの方法を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Longer timelines and lower success rates of drug candidates limit the
productivity of clinical trials in the pharmaceutical industry. Promising de
novo drug design techniques help solve this by exploring a broader chemical
space, efficiently generating new molecules, and providing improved therapies.
However, optimizing for molecular characteristics found in approved oral drugs
remains a challenge, limiting de novo usage. In this work, we propose NovoMol,
a novel de novo method using recurrent neural networks to mass-generate drug
molecules with high oral bioavailability, increasing clinical trial time
efficiency. Molecules were optimized for desirable traits and ranked using the
quantitative estimate of drug-likeness (QED). Generated molecules meeting QED's
oral bioavailability threshold were used to retrain the neural network, and,
after five training cycles, 76% of generated molecules passed this strict
threshold and 96% passed the traditionally used Lipinski's Rule of Five. The
trained model was then used to generate specific drug candidates for the
cancer-related PDGFR{\alpha} receptor and 44% of generated candidates had
better binding affinity than the current state-of-the-art drug, Imatinib (with
a receptor binding affinity of -9.4 kcal/mol), and the best-generated candidate
at -12.9 kcal/mol. NovoMol provides a time/cost-efficient AI-based de novo
method offering promising drug candidates for clinical trials.
- Abstract（参考訳）: 薬物候補の長期スケジュールと低い成功率により、医薬品産業における臨床試験の生産性が制限される。
有望なデ・ノヴォの薬物設計技術は、より広い化学空間を探索し、新しい分子を効率的に生成し、治療を改善することで、この問題を解決するのに役立つ。
しかし、承認された経口薬で見られる分子特性の最適化は依然として課題であり、novoの使用を制限する。
本研究では, 経口バイオアベイラビリティの高い薬物分子を大量生産し, 臨床治験時間の効率を高めるために, リカレントニューラルネットワークを用いた新しいnovo法であるNovoMolを提案する。
分子は望ましい形質に最適化され、薬物類似度(QED)を定量的に推定した。
qedの口腔内バイオアベイラビリティ閾値を満たした生成分子がニューラルネットワークの再トレーニングに使用され、5回のトレーニングサイクルの後、生成分子の76%がこの厳格な閾値を越え、96%が伝統的に使用されている5のリピンスキーの法則を満たした。
その後、訓練されたモデルは、がん関連PDGFR{\alpha}受容体の特定の薬物候補を生成するために使用され、生成した候補の44%は、現在の最先端薬であるイマチニブ(-9.4 kcal/molの受容体結合親和性を持つ)よりも結合親和性が高い。
NovoMolは、有望な薬物候補を臨床試験のために提供する、時間/費用効率のAIベースのde novoメソッドを提供する。
関連論文リスト
- DrugGen: Advancing Drug Discovery with Large Language Models and Reinforcement Learning Feedback [0.0]
DrugGen は DrugGPT 構造に基づく拡張モデルである。
承認された薬物と標的の相互作用を微調整し、近似ポリシー最適化に最適化されている。
高品質の小さな分子を生産することで、薬学研究と薬物発見を進めるための高性能な媒体を提供する。
論文 参考訳（メタデータ） (2024-11-20T01:21:07Z) - Fragment-Masked Molecular Optimization [37.20936761888007]
表現型薬物発見(PDD)に基づくフラグメントマインド分子最適化法を提案する。
PDDに基づく分子最適化は、表現型活性を最適化しながら潜在的な安全性リスクを低減し、臨床成功の可能性を高める。
総合的な実験により、シリカ内最適化の成功率は94.4%に達し、平均効率は5.3%上昇した。
論文 参考訳（メタデータ） (2024-08-17T06:00:58Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳（メタデータ） (2024-05-23T13:22:17Z) - Improving Targeted Molecule Generation through Language Model Fine-Tuning Via Reinforcement Learning [0.0]
我々は,特定のタンパク質を標的とした薬物を設計する言語モデルの能力を活用する,革新的なデノボドラッグデザイン戦略を導入する。
本手法は, 薬物-標的相互作用と分子的妥当性を考慮した複合報酬関数を統合する。
論文 参考訳（メタデータ） (2024-05-10T22:19:12Z) - NeuroCADR: Drug Repurposing to Reveal Novel Anti-Epileptic Drug
Candidates Through an Integrated Computational Approach [0.0]
薬物再資源化は、新しい目的のために既存の薬物を再割り当てすることを含む薬物発見の新たなアプローチである。
提案するアルゴリズムはNeuroCADRであり,k-nearest neighbor algorithm (KNN),ランダム森林分類,決定木からなるマルチプログレッシブアプローチによる創薬システムである。
データは病気、症状、遺伝子、および関連する薬物分子間の相互作用からなるデータベースから作成され、その後バイナリで表現されたデータセットにコンパイルされた。
NeuroCADRは、臨床試験によってさらに承認されるてんかんの新規薬物候補を特定した。
論文 参考訳（メタデータ） (2023-09-04T03:21:43Z) - Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。
我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。
提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
論文 参考訳（メタデータ） (2022-12-10T03:43:23Z) - Energy-based Generative Models for Target-specific Drug Discovery [7.509129971169722]
我々は, 目標特異的な薬物発見のためのエネルギーベース確率モデルを開発した。
その結果,提案したTagMolは実分子と類似の結合親和性を持つ分子を生成できることが示唆された。
論文 参考訳（メタデータ） (2022-12-05T16:41:36Z) - 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) - 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) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z) - 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。