論文の概要: Curiosity as a Self-Supervised Method to Improve Exploration in De novo Drug Design

• arxiv url: http://arxiv.org/abs/2401.06771v1
• Date: Sun, 24 Sep 2023 06:44:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 12:39:20.947844
• Title: Curiosity as a Self-Supervised Method to Improve Exploration in De novo Drug Design
• Title（参考訳）: de novo薬物設計における探索性向上のための自己監督的手法としての好奇心
• Authors: Mohamed-Amine Chadi, Hajar Mousannif, Ahmed Aamouche
• Abstract要約: 我々は、化学空間の多くの部分をモデルにナビゲートさせる好奇心駆動方式を導入する。 まず、リカレントニューラルネットワークに基づく汎用分子発生器(G)を訓練し、その後、好奇心と好ましさを最大化するためにGを微調整する。 薬物類似性に関連する2つの望ましい化学的性質に対する我々のアプローチをベンチマークし, 発見された化学空間を著しく拡張できることを示した。
• 参考スコア（独自算出の注目度）: 0.276240219662896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, deep learning has demonstrated promising results in de novo drug design. However, the proposed techniques still lack an efficient exploration of the large chemical space. Most of these methods explore a small fragment of the chemical space of known drugs, if the desired molecules were not found, the process ends. In this work, we introduce a curiosity-driven method to force the model to navigate many parts of the chemical space, therefore, achieving higher desirability and diversity as well. At first, we train a recurrent neural network-based general molecular generator (G), then we fine-tune G to maximize curiosity and desirability. We define curiosity as the Tanimoto similarity between two generated molecules, a first molecule generated by G, and a second one generated by a copy of G (Gcopy). We only backpropagate the loss through G while keeping Gcopy unchanged. We benchmarked our approach against two desirable chemical properties related to drug-likeness and showed that the discovered chemical space can be significantly expanded, thus, discovering a higher number of desirable molecules with more diversity and potentially easier to synthesize. All Code and data used in this paper are available at https://github.com/amine179/Curiosity-RL-for-Drug-Design.
• Abstract（参考訳）: 近年, 深層学習はド・ノボの薬物設計において有望な成果を示した。 しかし、提案手法は依然として大規模な化学空間の効率的な探索を欠いている。 これらの手法のほとんどは、既知の薬物の化学空間の小さな断片を探索するが、もし所望の分子が見つからなかったら、プロセスは終了する。 そこで本研究では,化学空間の多くの部分の移動を強要する好奇心駆動方式を導入し,高い所望性と多様性を実現する。 まず、リカレントニューラルネットワークベースの一般分子発生器(g)を訓練し、gを微調整して好奇心と望遠性を最大化します。 好奇性は、2つの生成分子の谷本類似性、Gが生成する第1分子、G(Gcopy)が生成する第2分子と定義する。 gcopyを変更せずに、gを通して損失をバックプロパゲートするだけです。 我々は, 薬物類似性に関連する2つの望ましい化学的性質に対する我々のアプローチをベンチマークし, 検出された化学空間を著しく拡張できることを示し, より多様性が高く, 合成が容易なより多くの分子を発見した。 この論文で使用されるコードとデータは、https://github.com/amine179/Curiosity-RL-for-Drug-Designで公開されている。

関連論文リスト

• De novo Drug Design using Reinforcement Learning with Multiple GPT Agents [16.508471997999496]
  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。
  論文  参考訳（メタデータ） (2023-12-21T13:24:03Z)
• Genetic algorithms are strong baselines for molecule generation [3.0832873002777785]
  遺伝的アルゴリズム(GA)は既知の分子をランダムに修飾することで分子を生成する。 本稿では,GAはそのようなタスクに対して非常に強力なアルゴリズムであり,複雑な機械学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T17:25:11Z)
• 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)
• Graph-based Molecular Representation Learning [59.06193431883431]
  分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。 近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
  論文  参考訳（メタデータ） (2022-07-08T17:43:20Z)
• 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)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• Hit and Lead Discovery with Explorative RL and Fragment-based Molecule Generation [34.26748101294543]
  ドッキングスコアが大きい薬理学的に許容される分子を生成する新しい枠組みを提案する。 本手法は, 生成した分子を, 現実的で有資格な化学空間に限定し, 薬物発見のための空間を効果的に探索する。 提案モデルでは,既存の手法と比較して高品質な分子を生成できる一方で,3つの目標のうち2つの目標に対して最先端の性能を達成できる。
  論文  参考訳（メタデータ） (2021-10-04T07:21:00Z)
• 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)
• 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)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)
• Reinforcement Learning for Molecular Design Guided by Quantum Mechanics [10.112779201155005]
  分子設計のための新しいRL式を座標で提示し、構築可能な分子のクラスを拡張した。 我々の報酬関数は、高速量子化学法で近似したエネルギーのような基本的な物理的性質に基づいている。 本実験では, 翻訳および回転不変状態-作用空間で作業することで, エージェントがスクラッチからこれらの課題を効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-02-18T16:43:58Z)

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。