論文の概要: A Comprehensive Review of Emerging Approaches in Machine Learning for De Novo PROTAC Design

• arxiv url: http://arxiv.org/abs/2406.16681v1
• Date: Mon, 24 Jun 2024 14:42:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 14:34:57.790182
• Title: A Comprehensive Review of Emerging Approaches in Machine Learning for De Novo PROTAC Design
• Title（参考訳）: De Novo PROTAC設計における機械学習の創発的アプローチの概観
• Authors: Yossra Gharbi, Rocío Mercado,
• Abstract要約: 標的タンパク質分解(TPD)は、細胞の自然分解経路を利用して細胞内のタンパク質レベルを調節することを目的としている。 プロテオリシス標的キメラ(PROTAC)はPD戦略の中心にある。 このような複雑な分子を設計するための伝統的な手法には限界がある。
• 参考スコア（独自算出の注目度）: 1.534667887016089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Targeted protein degradation (TPD) is a rapidly growing field in modern drug discovery that aims to regulate the intracellular levels of proteins by harnessing the cell's innate degradation pathways to selectively target and degrade disease-related proteins. This strategy creates new opportunities for therapeutic intervention in cases where occupancy-based inhibitors have not been successful. Proteolysis-targeting chimeras (PROTACs) are at the heart of TPD strategies, which leverage the ubiquitin-proteasome system for the selective targeting and proteasomal degradation of pathogenic proteins. As the field evolves, it becomes increasingly apparent that the traditional methodologies for designing such complex molecules have limitations. This has led to the use of machine learning (ML) and generative modeling to improve and accelerate the development process. In this review, we explore the impact of ML on de novo PROTAC design $-$ an aspect of molecular design that has not been comprehensively reviewed despite its significance. We delve into the distinct characteristics of PROTAC linker design, underscoring the complexities required to create effective bifunctional molecules capable of TPD. We then examine how ML in the context of fragment-based drug design (FBDD), honed in the realm of small-molecule drug discovery, is paving the way for PROTAC linker design. Our review provides a critical evaluation of the limitations inherent in applying this method to the complex field of PROTAC development. Moreover, we review existing ML works applied to PROTAC design, highlighting pioneering efforts and, importantly, the limitations these studies face. By offering insights into the current state of PROTAC development and the integral role of ML in PROTAC design, we aim to provide valuable perspectives for researchers in their pursuit of better design strategies for this new modality.
• Abstract（参考訳）: 標的タンパク質分解(Targeted protein degradation、TPD)は、細胞内のタンパク質レベルを制御し、細胞固有の分解経路を利用して疾患関連タンパク質を選択的に標的にし、分解することを目的とした、現代の薬物発見における急速に成長する分野である。 この戦略は、占有型インヒビターが成功していない場合に治療介入の新たな機会を生み出す。 プロテオリシス標的キメラ(PROTAC)は、病原性タンパク質の選択的ターゲティングおよびプロテアソーム分解にユビキチン-プロテアソーム系を活用するPD戦略の中心である。 場が進化するにつれて、そのような複雑な分子を設計する伝統的な方法論には限界があることが明らかになる。 これにより、機械学習(ML)と生成モデリングを使用して開発プロセスを改善し、加速する。 本稿では,MLがde novo PROTAC設計に与える影響について検討する。 我々は、PDを発現する効果的な二官能分子を創出するために必要な複雑さを補足し、PTACリンカー設計の異なる特徴を掘り下げる。 次に、小分子の薬物発見の領域に根ざしたフラグメントベースドラッグデザイン(FBDD)の文脈におけるMLがどのようにしてPTACリンカー設計の道を開いたかを検討する。 本稿では, ProTAC 開発における複雑な分野に本手法を適用した際の限界について批判的な評価を行う。 さらに, ProTAC設計に適用される既存のMLの成果を概観し, 先駆的な取り組みと, これらの研究が直面する限界を強調した。 ProTAC 開発の現状と ProTAC 設計における ML の不可欠な役割に関する洞察を提供することによって,我々は新たなモダリティのためのより良い設計戦略を追求する研究者に貴重な視点を提供することを目指している。

関連論文リスト

• MSAGPT: Neural Prompting Protein Structure Prediction via MSA Generative Pre-Training [48.398329286769304]
  マルチシークエンスアライメント(MSA)は、タンパク質ファミリーの進化的軌道を明らかにする上で重要な役割を担っている。 MSAGPTは、低MSA状態下でのMSA生成前訓練を通じてタンパク質構造予測を促進する新しいアプローチである。
  論文  参考訳（メタデータ） (2024-06-08T04:23:57Z)
• Deep Lead Optimization: Leveraging Generative AI for Structural Modification [12.167178956742113]
  このレビューでは、基本的な概念、目標、従来のCADD技術、最近のAIDDの進歩について論じる。 制約付きサブグラフ生成に基づく統一的な視点を導入し,デノボ設計とリード最適化の方法論を調和させる。
  論文  参考訳（メタデータ） (2024-04-30T03:17:42Z)
• PROflow: An iterative refinement model for PROTAC-induced structure prediction [4.113597666007784]
  キメラを標的とするプロテオリシス (PROTACs) は、標的と分解関連タンパク質を同時に結合することで、従来のアンドラッグタンパク質の分解を引き起こす小さな分子である。 合理的設計における重要な課題は、活動の構造的基盤を理解することである。 既存の PROTAC ドッキング法では, 距離制限されたタンパク質-タンパク質ドッキングタスクに問題を単純化することを余儀なくされている。 二元タンパク質-タンパク質複合体のみを必要とする新しい擬似データ生成手法を開発した。 この新たなデータセットは、制約下での完全なPROTACの柔軟性をモデル化する、PROTACによる構造予測の反復的改善モデルであるPROflowを実現する。
  論文  参考訳（メタデータ） (2024-04-10T05:29:35Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Structure-informed Language Models Are Protein Designers [69.70134899296912]
  配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。 pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。 実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-02-03T10:49:52Z)
• De novo PROTAC design using graph-based deep generative models [2.566673015346446]
  グラフに基づく生成モデルを用いて,空グラフから PROTAC 様の構造を提案する。 我々は, 予測分解活性の高い化合物に対する生成モデルを構築した。 微調整後、難易度の高いPOIに対する予測活性は50%から80%に増加し、ほぼ完全な化学的妥当性が得られた。
  論文  参考訳（メタデータ） (2022-11-04T15:34:45Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• ODBO: Bayesian Optimization with Search Space Prescreening for Directed Protein Evolution [18.726398852721204]
  タンパク質指向進化のための効率的で実験的な設計指向のクローズドループ最適化フレームワークを提案する。 ODBOは、新しい低次元タンパク質エンコーディング戦略と、外乱検出による検索空間事前スクリーニングによって強化されたベイズ最適化を組み合わせている。 本研究は, タンパク質指向進化実験を4回実施し, 興味のある変異を見出すためのフレームワークの能力を実証した。
  論文  参考訳（メタデータ） (2022-05-19T13:21:31Z)
• Designing a Prospective COVID-19 Therapeutic with Reinforcement Learning [50.57291257437373]
  SARS-CoV-2パンデミックは、治療のための世界的なレースを生み出した。 1つのアプローチは、ヒトアンジオテンシン変換酵素2(ACE2)の新規な変異体の設計に焦点を当てる 我々は、強化学習問題として、新しいタンパク質設計の枠組みを定式化する。
  論文  参考訳（メタデータ） (2020-12-03T07:35:38Z)
• 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)

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。