論文の概要: Docking-based generative approaches in the search for new drug candidates

• arxiv url: http://arxiv.org/abs/2312.13944v1
• Date: Wed, 22 Nov 2023 11:37:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:13:18.322731
• Title: Docking-based generative approaches in the search for new drug candidates
• Title（参考訳）: ドッキングに基づく新規薬物候補探索における生成的アプローチ
• Authors: Tomasz Danel, Jan {\L}\k{e}ski, Sabina Podlewska, Igor T. Podolak
• Abstract要約: ドッキングに基づく生成モデルのための新しい分類法を提案する。 ドッキングと組み合わされた生成プロトコルのさらなる発展に向けた最も有望な方向性について論じる。
• 参考スコア（独自算出の注目度）: 2.407154340925365
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite the great popularity of virtual screening of existing compound libraries, the search for new potential drug candidates also takes advantage of generative protocols, where new compound suggestions are enumerated using various algorithms. To increase the activity potency of generative approaches, they have recently been coupled with molecular docking, a leading methodology of structure-based drug design. In this review, we summarize progress since docking-based generative models emerged. We propose a new taxonomy for these methods and discuss their importance for the field of computer-aided drug design. In addition, we discuss the most promising directions for further development of generative protocols coupled with docking.
• Abstract（参考訳）: 既存の複合ライブラリの仮想スクリーニングの人気は高いが、新しい薬物候補の探索は、様々なアルゴリズムを用いて新しい複合提案を列挙する生成プロトコルも活用している。 生成的アプローチの活性力を高めるために、最近は構造ベースの薬物設計の主要な方法論である分子ドッキングと組み合わされた。 本稿ではドッキングに基づく生成モデルが出現して以来の進歩を概説する。 本稿では,これらの手法の新たな分類法を提案し,コンピュータ支援薬物設計分野におけるその重要性について論じる。 さらに,ドッキングと組み合わせた生成プロトコルのさらなる開発に向けた最も有望な方向性についても論じる。

関連論文リスト

• Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
  我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。 階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。 その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
  論文  参考訳（メタデータ） (2024-09-11T17:01:06Z)
• New methods for drug synergy prediction: a mini-review [2.1024950052120417]
  2021年以降、30以上のオリジナルの機械学習手法が出版された。 我々はこれらの論文を、コア技術、データソース、入力データタイプ、およびそれらの手法で使用されるシナジースコアを強調することにより、統一されたレンズの下に置くことを目指している。 我々の発見によれば、最も優れた方法は、既知の薬物や細胞株を含む相乗的予測シナリオを正確に解決する一方で、新しい薬物や細胞株を含むシナリオは、依然として正確な予測レベルには達していない。
  論文  参考訳（メタデータ） (2024-04-03T05:44:03Z)
• A Survey of Generative AI for de novo Drug Design: New Frontiers in Molecule and Protein Generation [8.9311469963107]
  デ・ノボの医薬品設計のための生成モデルは、スクラッチから完全に新規な生物学的化合物の創出に焦点を当てている。 この分野の急速な発展と創薬プロセスの複雑さが組み合わさって、新しい研究者が参入するのは難しい風景を生み出している。 本調査では,ド・ノボの薬物設計を小分子とタンパク質生成という2つの大まかなテーマにまとめる。
  論文  参考訳（メタデータ） (2024-02-13T16:56:31Z)
• Deep Learning Methods for Small Molecule Drug Discovery: A Survey [6.61864409597243]
  薬物発見における深層学習の様々な応用を概観する。 これには、分子生成、分子特性予測、レトロ合成予測、反応予測が含まれる。 創薬の課題を特定し,創薬における深層学習手法の今後の動向について論じる。
  論文  参考訳（メタデータ） (2023-03-01T08:16:38Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• 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)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• 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)

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。