論文の概要: Decomposed Direct Preference Optimization for Structure-Based Drug Design

• arxiv url: http://arxiv.org/abs/2407.13981v1
• Date: Fri, 19 Jul 2024 02:12:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 19:03:23.448966
• Title: Decomposed Direct Preference Optimization for Structure-Based Drug Design
• Title（参考訳）: 構造に基づく医薬品設計における直接選好最適化の分解
• Authors: Xiwei Cheng, Xiangxin Zhou, Yuwei Yang, Yu Bao, Quanquan Gu,
• Abstract要約: 本稿では,DecompDPOと呼ばれる構造に基づく分子最適化手法を提案する。 分子を腕と足場に分解し、局所的なサブ構造とグローバルな分子レベルで好みの最適化を行う。 CrossDocked 2020ベンチマークの実験では、DecompDPOは分子生成と最適化の両方においてモデル性能を著しく改善することが示された。
• 参考スコア（独自算出の注目度）: 47.561983733291804
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion models have achieved promising results for Structure-Based Drug Design (SBDD). Nevertheless, high-quality protein subpocket and ligand data are relatively scarce, which hinders the models' generation capabilities. Recently, Direct Preference Optimization (DPO) has emerged as a pivotal tool for the alignment of generative models such as large language models and diffusion models, providing greater flexibility and accuracy by directly aligning model outputs with human preferences. Building on this advancement, we introduce DPO to SBDD in this paper. We tailor diffusion models to pharmaceutical needs by aligning them with elaborately designed chemical score functions. We propose a new structure-based molecular optimization method called DecompDPO, which decomposes the molecule into arms and scaffolds and performs preference optimization at both local substructure and global molecule levels, allowing for more precise control with fine-grained preferences. Notably, DecompDPO can be effectively used for two main purposes: (1) fine-tuning pretrained diffusion models for molecule generation across various protein families, and (2) molecular optimization given a specific protein subpocket after generation. Extensive experiments on the CrossDocked2020 benchmark show that DecompDPO significantly improves model performance in both molecule generation and optimization, with up to 100% Median High Affinity and a 54.9% Success Rate.
• Abstract（参考訳）: 拡散モデルは、Structure-Based Drug Design (SBDD)の有望な結果を得た。 それでも、高品質なタンパク質サブポケットとリガンドデータは比較的乏しく、モデルの生成能力を妨げている。 近年,DPO (Direct Preference Optimization) は,大規模言語モデルや拡散モデルなどの生成モデルのアライメントのための重要なツールとして登場し,モデル出力を直接人間の好みに合わせることで,柔軟性と精度の向上を実現している。 この進歩に基づいて、本稿では、DPOをSBDDに導入する。 医薬ニーズに適応する拡散モデルを, 精巧に設計された化学スコア関数と整合させることにより調整する。 本稿では,分子をアームと足場に分解し,局所的なサブ構造とグローバルな分子レベルで選好最適化を行うDecompDPOという新しい構造に基づく分子最適化手法を提案する。 特に、DecompDPOは、(1)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、(2)生成後に特定のタンパク質サブポケットが与えられる分子最適化の2つの目的のために効果的に使用できる。 CrossDocked2020ベンチマークの大規模な実験によると、DecompDPOは分子生成と最適化の両方でモデル性能を著しく改善し、100%のメディア高親和性と54.9%の成功率を示した。

関連論文リスト

• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• BoKDiff: Best-of-K Diffusion Alignment for Target-Specific 3D Molecule Generation [0.0]
  構造に基づく薬物設計(SBDD)は、生体分子標的の3次元構造を利用して、新しい治療薬の開発を導く。 幾何モデルやディープラーニングを含む生成モデルの最近の進歩は、リガンド生成の最適化を約束している。 我々は,多目的最適化とBest-of-Kアライメント手法を組み合わせることで,リガンド生成を向上させる新しいフレームワークであるBoKDiffを提案する。
  論文  参考訳（メタデータ） (2025-01-26T18:29:11Z)
• 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)
• TAGMol: Target-Aware Gradient-guided Molecule Generation [19.977071499171903]
  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。
  論文  参考訳（メタデータ） (2024-06-03T14:43:54Z)
• 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)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• 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)

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。