論文の概要: A Survey of Generative AI for De Novo Drug Design: New Frontiers in
Molecule and Protein Generation
- arxiv url: http://arxiv.org/abs/2402.08703v1
- Date: Tue, 13 Feb 2024 16:56:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 18:06:39.147021
- Title: A Survey of Generative AI for De Novo Drug Design: New Frontiers in
Molecule and Protein Generation
- Title（参考訳）: De Novoドラッグデザインのための生成AIに関する調査:分子とタンパク質生成の新しいフロンティア
- Authors: Xiangru Tang, Howard Dai, Elizabeth Knight, Fang Wu, Yunyang Li,
Tianxiao Li, Mark Gerstein
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.379005798631807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI)-driven methods can vastly improve the
historically costly drug design process, with various generative models already
in widespread use. Generative models for de novo drug design, in particular,
focus on the creation of novel biological compounds entirely from scratch,
representing a promising future direction. Rapid development in the field,
combined with the inherent complexity of the drug design process, creates a
difficult landscape for new researchers to enter. In this survey, we organize
de novo drug design into two overarching themes: small molecule and protein
generation. Within each theme, we identify a variety of subtasks and
applications, highlighting important datasets, benchmarks, and model
architectures and comparing the performance of top models. We take a broad
approach to AI-driven drug design, allowing for both micro-level comparisons of
various methods within each subtask and macro-level observations across
different fields. We discuss parallel challenges and approaches between the two
applications and highlight future directions for AI-driven de novo drug design
as a whole. An organized repository of all covered sources is available at
https://github.com/gersteinlab/GenAI4Drug.
- Abstract（参考訳）: 人工知能(AI)駆動の手法は歴史的にコストがかかる薬物設計プロセスを大幅に改善することができる。
デ・ノボの医薬品設計のための生成モデルは、特に、将来有望な方向性を示す、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。
本研究では,de novoの薬物設計を,小分子とタンパク質生成という2つの包括的なテーマに分類した。
各テーマの中で、さまざまなサブタスクとアプリケーションを識別し、重要なデータセット、ベンチマーク、モデルアーキテクチャを強調し、トップモデルのパフォーマンスを比較する。
私たちは、ai駆動の薬物設計に広範なアプローチを取り、各サブタスク内の様々なメソッドのマイクロレベル比較と、さまざまな分野にわたるマクロレベルの観察の両方を可能にします。
我々は2つのアプリケーション間の並列的な課題とアプローチについて議論し、AI駆動のデノボドラッグデザインの今後の方向性を強調した。
すべての対象ソースの整理されたリポジトリはhttps://github.com/gersteinlab/GenAI4Drug.comで公開されている。
関連論文リスト
- MAMMAL -- Molecular Aligned Multi-Modal Architecture and Language [0.24434823694833652]
MAMMALは、大規模生物学的データセットから学習する多目的マルチタスク基盤モデルである。
我々は、幅広い分類、回帰、生成タスクをサポートするプロンプト構文を導入する。
典型的薬物発見パイプライン内の異なるステップにまたがる11種類の下流タスクのモデルを評価した。
論文 参考訳（メタデータ） (2024-10-28T20:45:52Z) - Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。
グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。
我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2024-07-04T16:56:59Z) - UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。
提案手法は,全タスクにおける最先端手法を超越した手法である。
論文 参考訳（メタデータ） (2024-05-29T10:26:16Z) - 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) - An In-depth Summary of Recent Artificial Intelligence Applications in
Drug Design [5.365309795469097]
2017年から2021年にかけて、薬物デザインにおける最近のAIモデルの応用の数は大幅に増加した。
このサーベイには、前述のAIモデルの理論的開発と、薬物設計におけるAIの最近の42の応用の詳細な要約が含まれている。
論文 参考訳（メタデータ） (2021-10-10T00:40:53Z) - Artificial Intelligence in Drug Discovery: Applications and Techniques [33.59138543942538]
仮想スクリーニングやドラッグデザインなど、さまざまなAI技術が幅広い用途で使用されている。
まず、薬物発見の概要を説明し、関連するアプリケーションについて議論し、2つの主要なタスクに還元することができる。
次に、一般的なデータリソース、分子表現、ベンチマークプラットフォームについて議論する。
論文 参考訳（メタデータ） (2021-06-09T20:46:44Z) - Utilising Graph Machine Learning within Drug Discovery and Development [19.21101749270075]
グラフ機械学習(gml)は、生体分子構造をモデル化する能力から、製薬およびバイオテクノロジー業界で注目を集めている。
本稿では,創薬・開発におけるトピックの多分野の学術・産業的考察を行う。
重要な用語とモデリングアプローチを導入した後、薬物開発パイプラインを経時的に経時的に移動し、標的の同定、小さな分子や生物の設計、薬物の再利用などを含む作業の特定と要約を行う。
論文 参考訳（メタデータ） (2020-12-09T10:12:33Z) - Generative chemistry: drug discovery with deep learning generative
models [0.0]
本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。
ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
論文 参考訳（メタデータ） (2020-08-20T14:38:21Z) - 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。