論文の概要: DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization

• arxiv url: http://arxiv.org/abs/2403.13829v1
• Date: Thu, 7 Mar 2024 02:53:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:07:37.444070
• Title: DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization
• Title（参考訳）: DecompOpt:構造に基づく分子最適化のための可制御・分解拡散モデル
• Authors: Xiangxin Zhou, Xiwei Cheng, Yuwei Yang, Yu Bao, Liang Wang, Quanquan Gu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.85944390503957
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, 3D generative models have shown promising performances in structure-based drug design by learning to generate ligands given target binding sites. However, only modeling the target-ligand distribution can hardly fulfill one of the main goals in drug discovery -- designing novel ligands with desired properties, e.g., high binding affinity, easily synthesizable, etc. This challenge becomes particularly pronounced when the target-ligand pairs used for training do not align with these desired properties. Moreover, most existing methods aim at solving \textit{de novo} design task, while many generative scenarios requiring flexible controllability, such as R-group optimization and scaffold hopping, have received little attention. In this work, we propose DecompOpt, a structure-based molecular optimization method based on a controllable and decomposed diffusion model. DecompOpt presents a new generation paradigm which combines optimization with conditional diffusion models to achieve desired properties while adhering to the molecular grammar. Additionally, DecompOpt offers a unified framework covering both \textit{de novo} design and controllable generation. To achieve so, ligands are decomposed into substructures which allows fine-grained control and local optimization. Experiments show that DecompOpt can efficiently generate molecules with improved properties than strong de novo baselines, and demonstrate great potential in controllable generation tasks.
• Abstract（参考訳）: 近年, 3次元生成モデルは, 標的結合部位のリガンドの生成を学習することで, 構造に基づく医薬品設計において有望な性能を示した。 しかし、ターゲットリガンド分布をモデル化するだけでは、薬物発見の主要な目標の1つを達成できない。 この課題は、訓練に使用される目標リガンド対がこれらの望ましい性質と一致しない場合、特に顕著になる。 さらに、既存のほとんどの手法は \textit{de novo} の設計課題を解決することを目的としているが、R群最適化や足場ホッピングのような柔軟な制御性を必要とする多くの生成シナリオはほとんど注目されていない。 本研究では,制御可能かつ分解可能な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を提案する。 DecompOptは、最適化と条件付き拡散モデルを組み合わせて、分子文法に固執しながら望ましい特性を達成する新しい世代パラダイムを提案する。 さらにDecompOptは、textit{de novo}設計と制御可能な生成の両方をカバーする統一されたフレームワークを提供している。 そのため、リガンドは細粒度制御と局所最適化が可能なサブ構造に分解される。 実験により、DecompOptは強いデノボ塩基よりも優れた特性を持つ分子を効率よく生成し、制御可能な生成タスクにおいて大きな可能性を示すことが示された。

関連論文リスト

• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• TAGMol: Target-Aware Gradient-guided Molecule Generation [19.977071499171903]
  3次元生成モデルは、構造ベースドラッグデザイン(SBDD)において大きな可能性を秘めている。 問題を分子生成と特性予測に分離する。 後者は相乗的に拡散サンプリング過程を導出し、誘導拡散を促進し、所望の性質を持つ有意義な分子を創出する。 この誘導分子生成過程をTAGMolと呼ぶ。
  論文  参考訳（メタデータ） (2024-06-03T14:43:54Z)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Molecular De Novo Design through Transformer-based Reinforcement Learning [38.803770968809225]
  分子デノボ設計のためのトランスフォーマーを用いた生成モデルを微調整する手法を提案する。 提案手法は, 種々の生物標的に対して活性を示すと予測された化合物の生成において, 優れた性能を示す。 本手法は, 足場ホッピング, 単一分子からのライブラリ拡張, 生物標的に対する高い活性の化合物の生成に有効である。
  論文  参考訳（メタデータ） (2023-10-09T02:51:01Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• 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)
• Scaffold-constrained molecular generation [0.0]
  SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。 本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
  論文  参考訳（メタデータ） (2020-09-15T15:41:18Z)

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。