論文の概要: TransMA: an explainable multi-modal deep learning model for predicting properties of ionizable lipid nanoparticles in mRNA delivery
- arxiv url: http://arxiv.org/abs/2407.05736v1
- Date: Mon, 8 Jul 2024 08:43:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 16:20:46.845704
- Title: TransMA: an explainable multi-modal deep learning model for predicting properties of ionizable lipid nanoparticles in mRNA delivery
- Title(参考訳): TransMA:mRNAデリバリーにおけるイオン化可能な脂質ナノ粒子の性質予測のための多モード深層学習モデル
- Authors: Kun Wu, Zixu Wang, Xiulong Yang, Yangyang Chen, Zhenqi Han, Jialu Zhang, Lizhuang Liu,
- Abstract要約: 本稿では,TransMAと呼ばれる説明可能なLNPの透過効率予測モデルを提案する。
TransMAはマルチモーダル分子構造融合アーキテクチャを採用している。
トランスフェクション効率の予測において最先端の性能を達成する。
- 参考スコア(独自算出の注目度): 10.7522257668405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the primary mRNA delivery vehicles, ionizable lipid nanoparticles (LNPs) exhibit excellent safety, high transfection efficiency, and strong immune response induction. However, the screening process for LNPs is time-consuming and costly. To expedite the identification of high-transfection-efficiency mRNA drug delivery systems, we propose an explainable LNPs transfection efficiency prediction model, called TransMA. TransMA employs a multi-modal molecular structure fusion architecture, wherein the fine-grained atomic spatial relationship extractor named molecule 3D Transformer captures three-dimensional spatial features of the molecule, and the coarse-grained atomic sequence extractor named molecule Mamba captures one-dimensional molecular features. We design the mol-attention mechanism block, enabling it to align coarse and fine-grained atomic features and captures relationships between atomic spatial and sequential structures. TransMA achieves state-of-the-art performance in predicting transfection efficiency using the scaffold and cliff data splitting methods on the current largest LNPs dataset, including Hela and RAW cell lines. Moreover, we find that TransMA captures the relationship between subtle structural changes and significant transfection efficiency variations, providing valuable insights for LNPs design. Additionally, TransMA's predictions on external transfection efficiency data maintain a consistent order with actual transfection efficiencies, demonstrating its robust generalization capability. The code, model and data are made publicly available at https://github.com/wklix/TransMA/tree/master. We hope that high-accuracy transfection prediction models in the future can aid in LNPs design and initial screening, thereby assisting in accelerating the mRNA design process.
- Abstract(参考訳): 第一のmRNAデリバリー車として、イオン化可能な脂質ナノ粒子(LNP)は優れた安全性、高い透過効率、強力な免疫応答誘導を示す。
しかし、LNPのスクリーニングプロセスは時間と費用がかかる。
高透過効率mRNAデリバリーシステムの同定を高速化するために,TransMAと呼ばれる説明可能なLNPsトランスフェクション効率予測モデルを提案する。
TransMAはマルチモーダルな分子構造融合アーキテクチャを用いており、分子3Dトランスフォーマーは分子の3次元空間的特徴を捉え、Mambaという粗粒原子配列抽出器は1次元の分子的特徴を捉えている。
モールアテンション機構ブロックを設計し、粗くきめ細かな原子の特徴を整列させ、原子空間構造とシーケンシャル構造の関係を捉える。
TransMAは、HelaやRAWセルラインを含む現在の最大のLNPデータセット上で、足場と崖のデータ分割手法を用いて、トランスフェクション効率を予測する上で、最先端のパフォーマンスを達成する。
さらに,TransMAは微妙な構造変化と有意な透過効率変化の関係を捉え,LNPの設計に有意義な洞察を与える。
さらに、TransMAの外部透過効率データに対する予測は、実際の透過効率と一貫した順序を維持し、その堅牢な一般化能力を示している。
コード、モデル、データはhttps://github.com/wklix/TransMA/tree/masterで公開されている。
将来、高い精度のトランスフェクション予測モデルがLNPの設計と初期スクリーニングに役立ち、それによってmRNA設計プロセスの高速化が期待できる。
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) - Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。
TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。
提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
論文 参考訳(メタデータ) (2024-10-17T14:30:27Z) - Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳(メタデータ) (2024-09-23T17:11:04Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳(メタデータ) (2024-02-27T03:33:23Z) - PTransIPs: Identification of phosphorylation sites enhanced by protein
PLM embeddings [2.971764950146918]
我々は,リン酸化部位の同定のための新しいディープラーニングフレームワークであるPTransIPsを開発した。
PTransIPsは既存のSOTA法より優れており、AUCは0.9232と0.9660である。
論文 参考訳(メタデータ) (2023-08-08T07:50:38Z) - PhagoStat a scalable and interpretable end to end framework for
efficient quantification of cell phagocytosis in neurodegenerative disease
studies [0.0]
本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。
提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。
我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
論文 参考訳(メタデータ) (2023-04-26T18:10:35Z) - Learning the Physics of Particle Transport via Transformers [0.0]
単エネルギー陽子ビームで堆積した線量を予測するデータ駆動線量計算アルゴリズムを提案する。
提案手法は,現在の臨床解析用鉛筆法よりも33倍高速である。
我々のモデルは、これまでリアルタイム適応プロトン処理を禁止してきた大きな障害を克服する可能性がある。
論文 参考訳(メタデータ) (2021-09-08T22:26:03Z) - Data-Driven Discovery of Molecular Photoswitches with Multioutput
Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。
本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。
提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文 参考訳(メタデータ) (2020-06-28T20:59:03Z) - MolTrans: Molecular Interaction Transformer for Drug Target Interaction
Prediction [68.5766865583049]
薬物標的相互作用(DTI)予測は、シリコ薬物発見の基本的な課題である。
近年、DTI予測におけるディープラーニングの進歩が期待されている。
これらの制約に対処する分子間相互作用変換器(TransMol)を提案する。
論文 参考訳(メタデータ) (2020-04-23T18:56:04Z)
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。