論文の概要: Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization

• arxiv url: http://arxiv.org/abs/2407.01648v1
• Date: Mon, 1 Jul 2024 06:10:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 19:52:16.183707
• Title: Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization
• Title（参考訳）: エネルギー最適化を考慮した目標対応分子拡散モデル
• Authors: Siyi Gu, Minkai Xu, Alexander Powers, Weili Nie, Tomas Geffner, Karsten Kreis, Jure Leskovec, Arash Vahdat, Stefano Ermon,
• Abstract要約: 本稿では, 事前学習対象拡散モデルと, AliDiff という関数特性を整合させる, 新規で汎用的なアライメントフレームワークを提案する。 AliDiffは、ターゲット条件の化学分布を、より高い結合親和性と構造的合理性を持つ領域にシフトする。 アリーディフは、強い分子特性を維持しながら、-7.07 Avg. Vina Scoreで最先端の結合エネルギーを持つ分子を生成できることを示す。
• 参考スコア（独自算出の注目度）: 147.7899503829411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating ligand molecules for specific protein targets, known as structure-based drug design, is a fundamental problem in therapeutics development and biological discovery. Recently, target-aware generative models, especially diffusion models, have shown great promise in modeling protein-ligand interactions and generating candidate drugs. However, existing models primarily focus on learning the chemical distribution of all drug candidates, which lacks effective steerability on the chemical quality of model generations. In this paper, we propose a novel and general alignment framework to align pretrained target diffusion models with preferred functional properties, named AliDiff. AliDiff shifts the target-conditioned chemical distribution towards regions with higher binding affinity and structural rationality, specified by user-defined reward functions, via the preference optimization approach. To avoid the overfitting problem in common preference optimization objectives, we further develop an improved Exact Energy Preference Optimization method to yield an exact and efficient alignment of the diffusion models, and provide the closed-form expression for the converged distribution. Empirical studies on the CrossDocked2020 benchmark show that AliDiff can generate molecules with state-of-the-art binding energies with up to -7.07 Avg. Vina Score, while maintaining strong molecular properties.
• Abstract（参考訳）: 特定のタンパク質標的に対するリガンド分子の生成は、構造に基づく薬物設計として知られ、治療薬の開発と生物学的発見の根本的な問題である。 近年,タンパク質-リガンド相互作用のモデル化や薬剤の候補生成において,特に拡散モデルが期待されている。 しかし、既存のモデルは、主に全ての薬物候補の化学的分布を学習することに焦点を当てており、それはモデル世代における化学的品質に対する効果的な操縦性に欠ける。 本稿では,事前学習対象拡散モデルと,AliDiffという機能特性を整合させる,新規で汎用的なアライメントフレームワークを提案する。 AliDiffは、好みの最適化アプローチを通じて、目標条件の化学分布を、より高い結合親和性と、ユーザ定義の報酬関数によって定義された構造的合理性を持つ領域にシフトする。 共用選好最適化の目的において過度に適合する問題を避けるため、拡散モデルの正確かつ効率的なアライメントを得るための改良されたエクサクソンエネルギー選好最適化法を開発し、収束分布に対するクローズドフォーム式を提供する。 CrossDocked2020ベンチマークに関する実証研究によると、アリディフは7.07 Avgまでの最先端の結合エネルギーを持つ分子を生成できる。 強い分子特性を維持しながら、Vina Score。

関連論文リスト

• Decomposed Direct Preference Optimization for Structure-Based Drug Design [47.561983733291804]
  本稿では,拡散モデルと医薬的ニーズを整合させる構造に基づく最適化手法であるDecompDPOを提案する。 DecompDPOは、様々なタンパク質ファミリーにまたがる分子生成のための微調整済み拡散モデルと、生成後に特定のタンパク質サブポケットを与える分子最適化の2つの主要な目的のために効果的に使用できる。
  論文  参考訳（メタデータ） (2024-07-19T02:12:25Z)
• 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)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• 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)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• 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)
• Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
  既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。 本稿では,分子設計のための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:29:28Z)

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。