論文の概要: Diff4VS: HIV-inhibiting Molecules Generation with Classifier Guidance Diffusion for Virtual Screening
- arxiv url: http://arxiv.org/abs/2407.15880v1
- Date: Sat, 20 Jul 2024 12:34:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 21:44:53.221537
- Title: Diff4VS: HIV-inhibiting Molecules Generation with Classifier Guidance Diffusion for Virtual Screening
- Title(参考訳): Diff4VS: 仮想スクリーニングのための分類誘導拡散を用いたHIV阻害分子生成
- Authors: Jiaqing Lyu, Changjie Chen, Bing Liang, Yijia Zhang,
- Abstract要約: 新しいHIV阻害分子の同定は、エイズ流行と戦う上で非常に重要である。
ここでは、誘導拡散モデルと配位子に基づく仮想スクリーニング戦略を組み合わせて、潜在的なHIV阻害分子を発見する。
実験により、Diff4VSは他の方法よりも候補となるHIV阻害分子を生成できることが示されている。
- 参考スコア(独自算出の注目度): 0.41248472494152805
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The AIDS epidemic has killed 40 million people and caused serious global problems. The identification of new HIV-inhibiting molecules is of great importance for combating the AIDS epidemic. Here, the Classifier Guidance Diffusion model and ligand-based virtual screening strategy are combined to discover potential HIV-inhibiting molecules for the first time. We call it Diff4VS. An extra classifier is trained using the HIV molecule dataset, and the gradient of the classifier is used to guide the Diffusion to generate HIV-inhibiting molecules. Experiments show that Diff4VS can generate more candidate HIV-inhibiting molecules than other methods. Inspired by ligand-based virtual screening, a new metric DrugIndex is proposed. The DrugIndex is the ratio of the proportion of candidate drug molecules in the generated molecule to the proportion of candidate drug molecules in the training set. DrugIndex provides a new evaluation method for evolving molecular generative models from a pharmaceutical perspective. Besides, we report a new phenomenon observed when using molecule generation models for virtual screening. Compared to real molecules, the generated molecules have a lower proportion that is highly similar to known drug molecules. We call it Degradation in molecule generation. Based on the data analysis, the Degradation may result from the difficulty of generating molecules with a specific structure in the generative model. Our research contributes to the application of generative models in drug design from method, metric, and phenomenon analysis.
- Abstract(参考訳): エイズ流行で4000万人が死亡し、深刻な世界的な問題を引き起こした。
新しいHIV阻害分子の同定は、エイズ流行と戦う上で非常に重要である。
ここでは、分類誘導拡散モデルと配位子に基づく仮想スクリーニング戦略を組み合わせて、HIV阻害分子の発見を初めて行う。
これをDiff4VSと呼ぶ。
HIV分子データセットを用いて追加の分類器を訓練し、その分類器の勾配を利用して拡散を誘導してHIV阻害分子を生成する。
実験により、Diff4VSは他の方法よりも候補となるHIV阻害分子を生成できることが示されている。
リガンドベースの仮想スクリーニングにインスパイアされた新しい指標であるD薬インデックスが提案されている。
ドラッグインデックス(英: DrugIndex)は、生成分子中の候補薬物分子の割合と、トレーニングセット内の候補薬物分子の割合の比率である。
DrugIndexは、医薬品の観点から分子生成モデルを進化させる新しい評価方法を提供する。
さらに,仮想スクリーニングに分子生成モデルを用いた場合の新たな現象を報告する。
実際の分子と比較すると、生成分子は既知の薬物分子と非常に類似した割合が低い。
これを分子生成における分解と呼ぶ。
データ解析に基づいて、分解は生成モデルにおいて特定の構造を持つ分子を生成するのが困難であることから生じる可能性がある。
本研究は,薬物設計における生成モデルの適用に寄与する。
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) - LDMol: Text-to-Molecule Diffusion Model with Structurally Informative Latent Space [55.5427001668863]
テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。
LDMolは、学習可能で構造的に有意な特徴空間を生成する分子オートエンコーダを含む。
我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
論文 参考訳(メタデータ) (2024-05-28T04:59:13Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳(メタデータ) (2024-05-23T13:22:17Z) - 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) - STRIDE: Structure-guided Generation for Inverse Design of Molecules [0.24578723416255752]
$textbfSTRIDE$は、既知の分子によって誘導される無条件生成モデルを持つ新規分子を生成する生成分子ワークフローである。
生成分子は、平均21.7%低い合成アクセシビリティスコアを持ち、生成分子の5.9%のイオン化ポテンシャルを誘導する。
論文 参考訳(メタデータ) (2023-11-06T08:22:35Z) - Context-enriched molecule representations improve few-shot drug
discovery [8.379853456273674]
数発の薬物発見のための新しい方法を提案する。
私たちの基本的な考え方は、既知のコンテキストや参照分子に関する知識によって分子表現を豊かにすることです。
本手法は,FS-Molベンチマークデータセットにおいて,薬物発見のためのいくつかの方法と比較した。
論文 参考訳(メタデータ) (2023-04-24T17:58:05Z) - SILVR: Guided Diffusion for Molecule Generation [0.0]
本稿では,既存の生成モデルを再学習せずに条件付けする機械学習手法を提案する。
このモデルでは、フラグメントヒットに基づいてタンパク質の結合部位に適合する新しい分子を生成することができる。
我々は、中程度のSILVR速度により、元の断片と類似した形状の新しい分子を生成できることを示した。
論文 参考訳(メタデータ) (2023-04-21T11:47:38Z) - Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。
このシステムは、薬物のような化合物と標的特異的な生物活性分子の大規模なデータセットを用いて訓練される。
オープンアクセスされた薬物遺伝子を用いて、他の薬剤性タンパク質のモデルを容易に訓練することができる。
論文 参考訳(メタデータ) (2023-02-15T18:59:27Z) - Energy-based Generative Models for Target-specific Drug Discovery [7.509129971169722]
我々は, 目標特異的な薬物発見のためのエネルギーベース確率モデルを開発した。
その結果,提案したTagMolは実分子と類似の結合親和性を持つ分子を生成できることが示唆された。
論文 参考訳(メタデータ) (2022-12-05T16:41:36Z) - Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。
我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。
DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T09:13:37Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳(メタデータ) (2022-06-06T06:17:11Z)
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。