論文の概要: TAGMol: Target-Aware Gradient-guided Molecule Generation

• arxiv url: http://arxiv.org/abs/2406.01650v1
• Date: Mon, 3 Jun 2024 14:43:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 21:21:41.830286
• Title: TAGMol: Target-Aware Gradient-guided Molecule Generation
• Title（参考訳）: TAGMol: ターゲット対応のグラディエント誘導分子生成
• Authors: Vineeth Dorna, D. Subhalingam, Keshav Kolluru, Shreshth Tuli, Mrityunjay Singh, Saurabh Singal, N. M. Anoop Krishnan, Sayan Ranu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.977071499171903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D generative models have shown significant promise in structure-based drug design (SBDD), particularly in discovering ligands tailored to specific target binding sites. Existing algorithms often focus primarily on ligand-target binding, characterized by binding affinity. Moreover, models trained solely on target-ligand distribution may fall short in addressing the broader objectives of drug discovery, such as the development of novel ligands with desired properties like drug-likeness, and synthesizability, underscoring the multifaceted nature of the drug design process. To overcome these challenges, we decouple the problem into molecular generation and property prediction. The latter synergistically guides the diffusion sampling process, facilitating guided diffusion and resulting in the creation of meaningful molecules with the desired properties. We call this guided molecular generation process as TAGMol. Through experiments on benchmark datasets, TAGMol demonstrates superior performance compared to state-of-the-art baselines, achieving a 22% improvement in average Vina Score and yielding favorable outcomes in essential auxiliary properties. This establishes TAGMol as a comprehensive framework for drug generation.
• Abstract（参考訳）: 3次元生成モデルは、構造に基づく薬物設計(SBDD)において、特に特定の標的結合部位に適合したリガンドの発見において大きな可能性を示している。 既存のアルゴリズムは、主にリガンド-ターゲット結合に焦点を当て、結合親和性によって特徴づけられる。 さらに、標的リガンド分布のみに訓練されたモデルは、薬物設計プロセスの多面的性質を裏付ける、薬物類似性や合成性といった望ましい性質を持つ新規リガンドの開発など、薬物発見の幅広い目的に対処する上で不足する可能性がある。 これらの課題を克服するために、我々は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。 ベンチマークデータセットの実験を通じて、TAGMolは最先端のベースラインよりも優れたパフォーマンスを示し、平均的なVina Scoreの22%の改善を実現し、必須の補助特性において良好な結果をもたらす。 これにより、TAGMolは薬物生成の包括的枠組みとして確立される。

関連論文リスト

• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• 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)
• PILOT: Equivariant diffusion for pocket conditioned de novo ligand generation with multi-objective guidance via importance sampling [8.619610909783441]
  等変拡散モデル PILOT を用いて,$textitde novo$ で 3次元リガンド構造を生成するためのシリカ内アプローチを提案する。 その多目的的重要度サンプリング戦略は、モデルが望ましい特性を示す分子に向けられるよう設計されている。 我々はPILOTを用いて、Kinodata-3Dデータセットから未確認タンパク質ポケットの新しいメトリクスを生成する。
  論文  参考訳（メタデータ） (2024-05-23T17:58:28Z)
• 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)
• 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)
• 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)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)

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。