論文の概要: Structure-Based Drug Design via 3D Molecular Generative Pre-training and Sampling
- arxiv url: http://arxiv.org/abs/2402.14315v2
- Date: Fri, 15 Mar 2024 05:33:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 22:14:10.947451
- Title: Structure-Based Drug Design via 3D Molecular Generative Pre-training and Sampling
- Title(参考訳): 3次元分子生成前訓練とサンプリングによる構造的薬物設計
- Authors: Yuwei Yang, Siqi Ouyang, Xueyu Hu, Mingyue Zheng, Hao Zhou, Lei Li,
- Abstract要約: 我々は,3次元分子生成と最適化フレームワークを組み合わせるため,MorEdit3Dを提案する。
フラグメントを用いた分子生成のための新しい3次元グラフ編集モデルを開発した。
そこで,本研究では,自己サンプル分子を用いた目標学習戦略を用いて,目標関連特性を改善する。
- 参考スコア(独自算出の注目度): 18.872622147078292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structure-based drug design aims at generating high affinity ligands with prior knowledge of 3D target structures. Existing methods either use conditional generative model to learn the distribution of 3D ligands given target binding sites, or iteratively modify molecules to optimize a structure-based activity estimator. The former is highly constrained by data quantity and quality, which leaves optimization-based approaches more promising in practical scenario. However, existing optimization-based approaches choose to edit molecules in 2D space, and use molecular docking to estimate the activity using docking predicted 3D target-ligand complexes. The misalignment between the action space and the objective hinders the performance of these models, especially for those employ deep learning for acceleration. In this work, we propose MolEdit3D to combine 3D molecular generation with optimization frameworks. We develop a novel 3D graph editing model to generate molecules using fragments, and pre-train this model on abundant 3D ligands for learning target-independent properties. Then we employ a target-guided self-learning strategy to improve target-related properties using self-sampled molecules. MolEdit3D achieves state-of-the-art performance on majority of the evaluation metrics, and demonstrate strong capability of capturing both target-dependent and -independent properties.
- Abstract(参考訳): 構造に基づく薬物設計は、3Dターゲット構造に関する事前の知識で高親和性配位子を生成することを目的としている。
既存の方法は、条件付き生成モデルを用いて、標的となる結合部位の3Dリガンドの分布を学習するか、または構造に基づく活動推定器を最適化するために分子を反復的に修正するかのいずれかである。
前者はデータ量と品質に強く制約されており、実際のシナリオでは最適化ベースのアプローチがより有望である。
しかし、既存の最適化に基づくアプローチでは、2次元空間における分子の編集を選択し、分子ドッキングを用いて予測された3次元標的配位子錯体のドッキングを用いて活性を推定する。
アクション空間と目的とのミスアライメントはこれらのモデルの性能を阻害する。
本研究では,3次元分子生成と最適化フレームワークを組み合わせたMolEdit3Dを提案する。
本研究では, フラグメントを用いた分子生成のための新しい3次元グラフ編集モデルを開発し, ターゲット非依存特性を学習するための豊富な3次元リガンドの事前学習を行う。
そこで,本研究では,自己サンプル分子を用いた目標学習戦略を用いて,目標関連特性を改善する。
MolEdit3Dは、評価指標の大部分で最先端のパフォーマンスを実現し、ターゲット依存プロパティと非依存プロパティの両方をキャプチャする強力な能力を示している。
関連論文リスト
- ComboVerse: Compositional 3D Assets Creation Using Spatially-Aware Diffusion Guidance [76.7746870349809]
複雑な構成で高品質な3Dアセットを生成する3D生成フレームワークであるComboVerseについて,複数のモデルを組み合わせることを学習して紹介する。
提案手法は,標準スコア蒸留法と比較して,物体の空間的アライメントを重視している。
論文 参考訳(メタデータ) (2024-03-19T03:39:43Z) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳(メタデータ) (2024-03-07T02:53:40Z) - Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。
3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。
提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文 参考訳(メタデータ) (2023-06-13T14:43:13Z) - 3D Equivariant Diffusion for Target-Aware Molecule Generation and
Affinity Prediction [9.67574543046801]
標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。
上記の課題を解決するために,3次元同変拡散モデルを開発した。
我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
論文 参考訳(メタデータ) (2023-03-06T23:01:43Z) - Reinforced Genetic Algorithm for Structure-based Drug Design [38.134929249388406]
SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に結合する分子を見つけることにより、薬物候補を見つけることを目的とした薬物設計である。
本稿では,ニューラルネットワークを用いた遺伝的アルゴリズム(Reinforced Genetic Algorithm, RGA)を提案する。
論文 参考訳(メタデータ) (2022-11-28T22:59:46Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳(メタデータ) (2022-05-31T22:28:34Z) - De novo design of protein target specific scaffold-based Inhibitors via
Reinforcement Learning [8.210294479991118]
標的タンパク質の分子開発への現在のアプローチは直観駆動であり、反復的な設計-テストサイクルが遅くなるのを妨げている。
本稿では3D-MolGNN$_RL$と呼ばれる新しいフレームワークを提案する。
われわれのアプローチは、最適化された活動、有効性、生体物理特性によるリード最適化のための解釈可能な人工知能(AI)ツールとして機能する。
論文 参考訳(メタデータ) (2022-05-21T00:47:35Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2021-11-30T06:10:22Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z)
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。