論文の概要: De novo Drug Design using Reinforcement Learning with Multiple GPT Agents

• arxiv url: http://arxiv.org/abs/2401.06155v1
• Date: Thu, 21 Dec 2023 13:24:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 12:49:24.719433
• Title: De novo Drug Design using Reinforcement Learning with Multiple GPT Agents
• Title（参考訳）: 複数のgptエージェントを用いた強化学習を用いたde novo薬物設計
• Authors: Xiuyuan Hu, Guoqing Liu, Yang Zhao, Hao Zhang
• Abstract要約: MolRL-MGPTは、薬物分子生成のための複数のGPTエージェントを用いた強化学習アルゴリズムである。 このアルゴリズムはGurcaMolベンチマークで有望な結果を示し,SARS-CoV-2タンパク質標的に対する阻害剤の設計に有効であることを示した。
• 参考スコア（独自算出の注目度）: 16.508471997999496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: De novo drug design is a pivotal issue in pharmacology and a new area of focus in AI for science research. A central challenge in this field is to generate molecules with specific properties while also producing a wide range of diverse candidates. Although advanced technologies such as transformer models and reinforcement learning have been applied in drug design, their potential has not been fully realized. Therefore, we propose MolRL-MGPT, a reinforcement learning algorithm with multiple GPT agents for drug molecular generation. To promote molecular diversity, we encourage the agents to collaborate in searching for desirable molecules in diverse directions. Our algorithm has shown promising results on the GuacaMol benchmark and exhibits efficacy in designing inhibitors against SARS-CoV-2 protein targets. The codes are available at: https://github.com/HXYfighter/MolRL-MGPT.
• Abstract（参考訳）: de novo drug designは薬理学における重要な問題であり、科学研究のためのaiに焦点を絞った新しい分野である。 この分野での中心的な課題は、特定の性質を持つ分子を生成すると同時に、幅広い多様な候補を生成することである。 トランスフォーマーモデルや強化学習といった先進技術は薬物設計に応用されてきたが、その可能性は完全には実現されていない。 そこで本研究では,分子生成のための強化学習アルゴリズムであるMolRL-MGPTを提案する。 分子多様性を促進するために,様々な方向に望ましい分子を探すために,エージェントが協力することを奨励する。 このアルゴリズムはGurcaMolベンチマークで有望な結果を示し,SARS-CoV-2タンパク質標的に対する阻害剤の設計に有効であることを示した。 コードはhttps://github.com/hxyfighter/molrl-mgpt。

関連論文リスト

• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。 MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Multi-objective Molecular Optimization for Opioid Use Disorder Treatment Using Generative Network Complex [5.33208055504216]
  オピオイド・ユース障害(OUD)が世界的な健康問題として浮上している。 本研究では,微分方程式(SDE)に基づく拡散モデルと事前学習された自己エンコーダモデルの潜在空間を結合した深部生成モデルを提案する。 分子発生器は、複数の標的に有効である分子の効率的な生成を可能にする。
  論文  参考訳（メタデータ） (2023-06-13T01:12:31Z)
• Optimizing Drug Design by Merging Generative AI With Active Learning Frameworks [2.6062146828550903]
  我々は、変分オートエンコーダとアクティブラーニングステップに基づいて、ジェネレーティブAI(GM)ワークフローを開発した。 デザインされたGMワークフローは、薬物の類似性、合成可能性、類似性、ドッキングスコアなどの分子メトリクスから反復的に学習する。 GMワークフローで推定される高親和性分子の割合は,トレーニングデータより有意に大きかった。
  論文  参考訳（メタデータ） (2023-05-04T13:25:14Z)
• Utilizing Reinforcement Learning for de novo Drug Design [2.5740778707024305]
  ド・ノボ薬物設計のための強化学習のための統一的な枠組みを開発する。 我々は、RNNベースのポリシーを学ぶために、様々なオン・オフ・ポリシー強化学習アルゴリズムとリプレイバッファについて研究する。 以上の結果から,少なくともトップスカラー分子とロースカラー分子の両方を用いる方が,ポリシー更新に有利であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-30T07:40:50Z)
• Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
  薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。 このシステムは、薬物のような化合物と標的特異的な生物活性分子の大規模なデータセットを用いて訓練される。 オープンアクセスされた薬物遺伝子を用いて、他の薬剤性タンパク質のモデルを容易に訓練することができる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:27Z)
• 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)
• PGMG: A Pharmacophore-Guided Deep Learning Approach for Bioactive Molecular Generation [5.168827506745199]
  バイオアクティベート分子生成のための深層学習手法PGMGを提案する。 PGMGは, 高い妥当性, 特異性, 新規性を保ちながら, 与えられた薬理泳動モデルに適合する分子を生成可能であることを示す。 PGMGの柔軟性と有効性は、薬物発見プロセスの加速に有用なツールである。
  論文  参考訳（メタデータ） (2022-07-02T12:31:17Z)
• 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)
• 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)

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。