論文の概要: Guided Multi-objective Generative AI to Enhance Structure-based Drug Design
- arxiv url: http://arxiv.org/abs/2405.11785v2
- Date: Thu, 17 Oct 2024 17:00:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-18 13:15:40.892992
- Title: Guided Multi-objective Generative AI to Enhance Structure-based Drug Design
- Title（参考訳）: 構造に基づく医薬品設計を促進するための多目的生成AI
- Authors: Amit Kadan, Kevin Ryczko, Erika Lloyd, Adrian Roitberg, Takeshi Yamazaki,
- Abstract要約: 構造に基づく医薬品設計のための拡散と多目的最適化を組み合わせた生成化学AIであるIDOLproについて述べる。
IDOLproは、各テストセットにおける次の最先端メソッドよりも10%から20%以上の結合親和性で生成する。
我々は、IDOLproが、仮想スクリーンにあるどの分子よりも結合親和性と合成アクセシビリティが良く、様々な重要な疾患関連ターゲットの分子を生成できることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Generative AI has the potential to revolutionize drug discovery. Yet, despite recent advances in deep learning, existing models cannot generate molecules that satisfy all desired physicochemical properties. Herein, we describe IDOLpro, a generative chemistry AI combining diffusion with multi-objective optimization for structure-based drug design. Differentiable scoring functions guide the latent variables of the diffusion model to explore uncharted chemical space and generate novel ligands in silico, optimizing a plurality of target physicochemical properties. We demonstrate our platform's effectiveness by generating ligands with optimized binding affinity and synthetic accessibility on two benchmark sets. IDOLpro produces ligands with binding affinities over 10%-20% better than the next best state-of-the-art method on each test set, producing more drug-like molecules with generally better synthetic accessibility scores than other methods. We do a head-to-head comparison of IDOLpro against a classic virtual screen of a large database of drug-like molecules. We show that IDOLpro can generate molecules for a range of important disease-related targets with better binding affinity and synthetic accessibility than any molecule found in the virtual screen while being over 100x faster and less expensive to run. On a test set of experimental complexes, IDOLpro is the first to produce molecules with better binding affinities than experimentally observed ligands. IDOLpro can accommodate other scoring functions (e.g. ADME-Tox) to accelerate hit-finding, hit-to-lead, and lead optimization for drug discovery.
- Abstract（参考訳）: 生成AIは、薬物発見に革命をもたらす可能性がある。
しかし、近年のディープラーニングの進歩にもかかわらず、既存のモデルは全ての物理化学的性質を満たす分子を生成できない。
本稿では、構造に基づく薬物設計のための拡散と多目的最適化を組み合わせた生成化学AIであるIDOLproについて述べる。
異なるスコアリング関数は拡散モデルの潜伏変数を誘導し、無チャートな化学空間を探索し、シリコで新しい配位子を生成し、複数の標的物理化学的特性を最適化する。
2つのベンチマークセット上で、結合親和性と合成アクセシビリティを最適化したリガンドを生成することで、プラットフォームの有効性を実証する。
IDOLproは結合親和性を持つリガンドを、各テストセットにおける次の最先端の手法よりも10%-20%良く生成し、一般的に他の方法よりも優れた合成アクセシビリティスコアを持つ薬物のような分子を生成する。
我々は、IDOLproをドラッグライクな分子のデータベースの古典的な仮想スクリーンと比較する。
我々は、IDOLproが、仮想スクリーンで見られるどの分子よりも結合親和性と合成アクセシビリティが良く、かつ100倍以上の高速かつ安価に動作可能な、重要な疾患関連ターゲットの分子を生成できることを示した。
実験複合体のテストセットでは、IDOLproは実験で観察されたリガンドよりも結合親和性の良い分子を初めて生成する。
IDOLproは、他のスコアリング機能(ADME-Toxなど)に対応して、ヒットフィディング、ヒット・ツー・リード、および薬物発見のためのリード最適化を加速することができる。
関連論文リスト
- 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) - 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) - Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation [9.442146563809953]
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。
論文 参考訳（メタデータ） (2024-04-10T02:37:24Z) - DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。
腕と足場を分解した新しい拡散モデルDecompDiffを提案する。
提案手法は,高親和性分子の生成における最先端性能を実現する。
論文 参考訳（メタデータ） (2024-02-26T05:21:21Z) - Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳（メタデータ） (2023-10-05T11:43:21Z) - 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) - Molecular Fingerprints for Robust and Efficient ML-Driven Molecular
Generation [0.0]
そこで本研究では,分子生成に応用した分子指紋を用いた可変オートエンコーダを提案する。
化学合成アクセシビリティ(DeltabarSAS$=-0.83)と計算効率は,既存のSMILESアーキテクチャと比較して5.9倍に向上した。
論文 参考訳（メタデータ） (2022-11-16T18:07:43Z) - LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。
総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。
生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
論文 参考訳（メタデータ） (2022-06-17T21:05:58Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - 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) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z)
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。