論文の概要: SynFlowNet: Towards Molecule Design with Guaranteed Synthesis Pathways

• arxiv url: http://arxiv.org/abs/2405.01155v1
• Date: Thu, 2 May 2024 10:15:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 17:04:04.916264
• Title: SynFlowNet: Towards Molecule Design with Guaranteed Synthesis Pathways
• Title（参考訳）: SynFlowNet: 保証された合成経路による分子設計を目指して
• Authors: Miruna Cretu, Charles Harris, Julien Roy, Emmanuel Bengio, Pietro Liò,
• Abstract要約: 反応空間が化学的に検証された反応と反応剤を用いて新しい分子を逐次構築するGFlowNetモデルであるSynFlowNetを紹介する。 我々は,合成アクセシビリティスコアと独立レトロシンセシスツールを用いて,本手法の評価を行った。 我々は,SynFlowNetで設計した分子と実験によって検証された活性体を比較し,分子量,SAスコア,タンパク質結合親和性などの類似した性質を示す。
• 参考スコア（独自算出の注目度）: 17.704264588418035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent breakthroughs in generative modelling have led to a number of works proposing molecular generation models for drug discovery. While these models perform well at capturing drug-like motifs, they are known to often produce synthetically inaccessible molecules. This is because they are trained to compose atoms or fragments in a way that approximates the training distribution, but they are not explicitly aware of the synthesis constraints that come with making molecules in the lab. To address this issue, we introduce SynFlowNet, a GFlowNet model whose action space uses chemically validated reactions and reactants to sequentially build new molecules. We evaluate our approach using synthetic accessibility scores and an independent retrosynthesis tool. SynFlowNet consistently samples synthetically feasible molecules, while still being able to find diverse and high-utility candidates. Furthermore, we compare molecules designed with SynFlowNet to experimentally validated actives, and find that they show comparable properties of interest, such as molecular weight, SA score and predicted protein binding affinity.
• Abstract（参考訳）: 生成的モデリングの最近の進歩は、薬物発見のための分子生成モデルを提案する多くの研究につながっている。 これらのモデルは、薬物のようなモチーフを捉えるのによく機能するが、しばしば合成不能な分子を生成することが知られている。 これは、原子や断片をトレーニング分布に近似するように構成するよう訓練されているためであるが、実験室で分子を作る際に生じる合成の制約を明示的に認識していないためである。 この問題に対処するために,反応空間が化学的に検証された反応と反応剤を用いて新しい分子を逐次構築するGFlowNetモデルであるSynFlowNetを紹介する。 我々は,合成アクセシビリティスコアと独立レトロシンセシスツールを用いて,本手法の評価を行った。 SynFlowNetは、合成可能な分子を一貫してサンプリングすると同時に、多種多様かつ高ユーティリティな候補を見つけることができる。 さらに,SynFlowNetを用いて設計した分子を実験により評価した結果,分子量,SAスコア,タンパク質結合親和性などの類似性を示すことがわかった。

関連論文リスト

• Generative Flows on Synthetic Pathway for Drug Design [39.69010664056235]
  分子構築ブロックと化学反応テンプレートを用いて分子を逐次組み立てるRxnFlowを提案する。 RxnFlowは、平均8.85kcal/molのVinaスコアと34.8%の合成性を備えたCrossDocked 2020のポケットコンディション生成における最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2024-10-06T16:34:01Z)
• Generative Artificial Intelligence for Navigating Synthesizable Chemical Space [25.65907958071386]
  合成可能な化学空間を効率的に探索・ナビゲートするための生成モデリングフレームワークであるSynFormerを紹介する。 拡張性のあるトランスフォーマーアーキテクチャとブロック選択のための拡散モジュールを組み込むことで、SynFormerは合成可能な分子設計において既存のモデルを超えている。
  論文  参考訳（メタデータ） (2024-10-04T15:09:05Z)
• SynthFormer: Equivariant Pharmacophore-based Generation of Synthesizable Molecules for Ligand-Based Drug Design [19.578382119811238]
  本稿では,合成木として構築された完全合成可能な分子を生成する機械学習モデルであるSynthFormerについて紹介する。 これは第一種アプローチであり、薬理泳動に基づく活性分子を設計する能力を提供する可能性がある。
  論文  参考訳（メタデータ） (2024-10-03T17:38:46Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• 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)
• Amortized Tree Generation for Bottom-up Synthesis Planning and Synthesizable Molecular Design [2.17167311150369]
  ターゲット分子の埋め込みを条件としたマルコフ決定過程として,合成経路を生成するための償却アプローチを報告した。 提案手法により,最適化された条件付き符号からデコードすることで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
  論文  参考訳（メタデータ） (2021-10-12T22:43:25Z)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• 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)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。