論文の概要: RGFN: Synthesizable Molecular Generation Using GFlowNets

• arxiv url: http://arxiv.org/abs/2406.08506v2
• Date: Wed, 06 Nov 2024 21:25:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:35:30.170607
• Title: RGFN: Synthesizable Molecular Generation Using GFlowNets
• Title（参考訳）: RGFN:GFlowNetを用いた合成可能な分子生成
• Authors: Michał Koziarski, Andrei Rekesh, Dmytro Shevchuk, Almer van der Sloot, Piotr Gaiński, Yoshua Bengio, Cheng-Hao Liu, Mike Tyers, Robert A. Batey,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.33672611338754
• License:
• Abstract: Generative models hold great promise for small molecule discovery, significantly increasing the size of search space compared to traditional in silico screening libraries. However, most existing machine learning methods for small molecule generation suffer from poor synthesizability of candidate compounds, making experimental validation difficult. In this paper we propose Reaction-GFlowNet (RGFN), an extension of the GFlowNet framework that operates directly in the space of chemical reactions, thereby allowing out-of-the-box synthesizability while maintaining comparable quality of generated candidates. We demonstrate that with the proposed set of reactions and building blocks, it is possible to obtain a search space of molecules orders of magnitude larger than existing screening libraries coupled with low cost of synthesis. We also show that the approach scales to very large fragment libraries, further increasing the number of potential molecules. We demonstrate the effectiveness of the proposed approach across a range of oracle models, including pretrained proxy models and GPU-accelerated docking.
• Abstract（参考訳）: 生成モデルは小さな分子発見に大いに期待でき、従来のシリコスクリーニングライブラリに比べて探索空間のサイズが大幅に増加する。 しかし, 既存の機械学習手法の多くは, 候補化合物の合成性に乏しいため, 実験的検証が困難である。 本稿では,化学反応の空間で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNet(RGFN)を提案する。 提案した反応の集合と構造ブロックにより, 既存のスクリーニングライブラリよりも桁違いに大きい分子の探索空間を得ることができ, 合成コストが低いことを実証した。 また、この手法は、非常に大きなフラグメントライブラリにスケールし、潜在的な分子の数を増やすことも示している。 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。

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)
• Bioptic -- A Target-Agnostic Potency-Based Small Molecules Search Engine [0.0]
  我々は,標的に依存せず有効性に基づく分子探索モデルを開発した。 超大型の40B Enamine REALライブラリを100%リコールレートでスクリーニングした。 我々は、新しい分子の速度性能と検索品質の両面において、我々のモデルと最先端モデルのベンチマークを行った。
  論文  参考訳（メタデータ） (2024-06-13T17:53:29Z)
• SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints [16.21161274235011]
  反応空間が化学反応と購入可能な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。 生成機構の明示的な制約としてフォワード合成を取り入れることで、シリコン分子生成と実世界の合成能力のギャップを埋めることを目指す。
  論文  参考訳（メタデータ） (2024-05-02T10:15:59Z)
• Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
  提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。 本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
  論文  参考訳（メタデータ） (2024-02-26T07:24:32Z)
• An efficient graph generative model for navigating ultra-large combinatorial synthesis libraries [1.5495593104596397]
  仮想的でオンデマンドな化学ライブラリーは、化学空間の広大な合成可能な領域をアンロックすることで、早期の薬物発見を変革した。 近年、これらの図書館は数百万から数兆の化合物から急速に成長し、様々な治療標的に対する、発見されていない強力なヒットを隠蔽している。 本稿では,これらの課題を克服するために, Combinatorial Synthesis Library Variational Auto-Encoder (CSLVAE)を提案する。
  論文  参考訳（メタデータ） (2022-10-19T15:43:13Z)
• 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)
• FastFlows: Flow-Based Models for Molecular Graph Generation [4.9252608053969675]
  FastFlowsは数千の化学的に有効な分子を数秒で生成する。 我々のモデルは自己回帰型分子生成モデルよりもはるかにシンプルで、訓練が容易です。
  論文  参考訳（メタデータ） (2022-01-28T21:08:31Z)
• RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De Novo Drug Design [75.14290780116002]
  我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。 提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:04:16Z)
• 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)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。