論文の概要: Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation

• arxiv url: http://arxiv.org/abs/2404.06691v1
• Date: Wed, 10 Apr 2024 02:37:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 15:39:25.702514
• Title: Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation
• Title（参考訳）: プラグイン多目的分子生成のための潜在ケミカルスペース探索
• Authors: Ningfeng Liu, Jie Yu, Siyu Xiu, Xinfang Zhao, Siyu Lin, Bo Qiang, Ruqiu Zheng, Hongwei Jin, Liangren Zhang, Zhenming Liu,
• Abstract要約: 本研究では, 標的親和性, 薬物類似性, 合成性に関連する目的を組み込んだ, 汎用的な「プラグイン」分子生成モデルを構築した。 我々はPSO-ENPを多目的分子生成と最適化のための最適変種として同定する。
• 参考スコア（独自算出の注目度）: 9.442146563809953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular generation, an essential method for identifying new drug structures, has been supported by advancements in machine learning and computational technology. However, challenges remain in multi-objective generation, model adaptability, and practical application in drug discovery. In this study, we developed a versatile 'plug-in' molecular generation model that incorporates multiple objectives related to target affinity, drug-likeness, and synthesizability, facilitating its application in various drug development contexts. We improved the Particle Swarm Optimization (PSO) in the context of drug discoveries, and identified PSO-ENP as the optimal variant for multi-objective molecular generation and optimization through comparative experiments. The model also incorporates a novel target-ligand affinity predictor, enhancing the model's utility by supporting three-dimensional information and improving synthetic feasibility. Case studies focused on generating and optimizing drug-like big marine natural products were performed, underscoring PSO-ENP's effectiveness and demonstrating its considerable potential for practical drug discovery applications.
• Abstract（参考訳）: 新しい薬物構造を特定するための重要な方法である分子生成は、機械学習と計算技術の進歩によって支持されている。 しかし、多目的生成、モデル適応性、薬物発見への実践的応用には課題が残っている。 本研究では, 標的親和性, 薬物類似性, 合成性に関連する複数の目的を組み込んだ多目的「プラグイン」分子生成モデルを構築し, 様々な薬物開発状況においてその応用を容易にした。 PSO-ENPを多目的分子生成の最適変種として同定し, 比較実験によりPSO-ENPを同定した。 モデルはまた、新しいターゲットリガンド親和性予測器を導入し、3次元情報をサポートし、合成可能性を向上させることでモデルの実用性を向上させる。 医薬品のような大海洋天然物の生成と最適化に焦点をあてたケーススタディが実施され、PSO-ENPの有効性が強調され、実用的な薬物発見応用の可能性が示された。

関連論文リスト

• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• Evaluation Framework for AI-driven Molecular Design of Multi-target Drugs: Brain Diseases as a Case Study [0.0]
  マルチターゲットドラッグディスカバリ(Multi-target Drug Discovery、MTDD)は、複雑な疾患に対する薬物発見のパラダイムである。 本稿では,MTDDシナリオにおける分子生成手法の評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-20T01:42:16Z)
• Many-Shot In-Context Learning for Molecular Inverse Design [56.65345962071059]
  大規模言語モデル(LLM)は、数ショットのインコンテキスト学習(ICL)において、優れたパフォーマンスを示している。 マルチショットICLで利用可能な実験データの不足を克服する,新しい半教師付き学習手法を開発した。 示すように、この新しい手法は、既存の分子設計のためのICL法を大幅に改善し、科学者にとってアクセスしやすく、使いやすくする。
  論文  参考訳（メタデータ） (2024-07-26T21:10:50Z)
• Leveraging Latent Evolutionary Optimization for Targeted Molecule Generation [0.0]
  分子生成(LEOMol)における遅延進化最適化という革新的なアプローチを提案する。 LEOMolは最適化分子の効率的な生成のための生成モデリングフレームワークである。 提案手法は,従来の最先端モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-02T13:42:21Z)
• 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)
• 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)
• 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)
• 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)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
  既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。 本稿では,分子設計のための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:29:28Z)
• The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
  機能性分子の発見は高価で時間を要するプロセスである。 初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。 これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。 しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
  論文  参考訳（メタデータ） (2020-02-17T15:41:28Z)

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。