論文の概要: Cell Morphology-Guided Small Molecule Generation with GFlowNets
- arxiv url: http://arxiv.org/abs/2408.05196v1
- Date: Fri, 9 Aug 2024 17:40:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 15:05:23.678881
- Title: Cell Morphology-Guided Small Molecule Generation with GFlowNets
- Title(参考訳): GFlowNetを用いた細胞形態誘導小分子生成
- Authors: Stephen Zhewen Lu, Ziqing Lu, Ehsan Hajiramezanali, Tommaso Biancalani, Yoshua Bengio, Gabriele Scalia, Michał Koziarski,
- Abstract要約: 本稿では,GFlowNetsの報酬として潜在類似性を定義するために,教師なしマルチモーダルジョイント埋め込みを提案する。
提案したモデルでは、与えられた画像ターゲットと類似した表現型効果を生じさせる新しい分子の生成を学習する。
提案手法は, ターゲットに高い形態的, 構造的類似性を有する分子を生成し, 類似した生物活性の可能性が高まることを示した。
- 参考スコア(独自算出の注目度): 41.8027680592766
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-content phenotypic screening, including high-content imaging (HCI), has gained popularity in the last few years for its ability to characterize novel therapeutics without prior knowledge of the protein target. When combined with deep learning techniques to predict and represent molecular-phenotype interactions, these advancements hold the potential to significantly accelerate and enhance drug discovery applications. This work focuses on the novel task of HCI-guided molecular design. Generative models for molecule design could be guided by HCI data, for example with a supervised model that links molecules to phenotypes of interest as a reward function. However, limited labeled data, combined with the high-dimensional readouts, can make training these methods challenging and impractical. We consider an alternative approach in which we leverage an unsupervised multimodal joint embedding to define a latent similarity as a reward for GFlowNets. The proposed model learns to generate new molecules that could produce phenotypic effects similar to those of the given image target, without relying on pre-annotated phenotypic labels. We demonstrate that the proposed method generates molecules with high morphological and structural similarity to the target, increasing the likelihood of similar biological activity, as confirmed by an independent oracle model.
- Abstract(参考訳): HCI(High-Content Imaging)を含む高濃度の表現型スクリーニングは、タンパク質標的を事前に知ることなく新規な治療を特徴付ける能力で近年人気を集めている。
分子-フェノタイプ相互作用を予測し、表現するための深層学習技術と組み合わせることで、これらの進歩は、薬物発見の応用を著しく加速し、促進する可能性を秘めている。
本研究は、HCI誘導分子設計の新しい課題に焦点を当てる。
分子設計のための生成モデルは、例えば、報酬関数として興味のある表現型に分子をリンクする教師付きモデルで、HCIデータによって導かれる。
しかし、ラベル付きデータと高次元の読み出しデータを組み合わせることで、これらの手法を困難かつ非現実的に訓練することができる。
我々は、GFlowNetsの報酬として潜在類似性を定義するために、教師なしのマルチモーダルジョイント埋め込みを利用する別のアプローチを考える。
提案モデルでは, 予め注釈付けされた表現型ラベルに頼らずに, 与えられた画像ターゲットに類似した表現型効果を生じさせる新しい分子の生成を学習する。
提案手法は, ターゲットと形態的, 構造的類似性の高い分子を生成し, 独立オラクルモデルにより確認された同様の生物活性の可能性を高めることを実証する。
関連論文リスト
- Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
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。
論文 参考訳(メタデータ) (2024-07-01T06:10:29Z) - 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) - MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。
両者の分子表現の強さを融合させる。
ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-11-28T10:28:35Z) - 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) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - 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) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - A biologically-inspired evaluation of molecular generative machine
learning [17.623886600638716]
分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。
本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
論文 参考訳(メタデータ) (2022-08-20T11:01:10Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳(メタデータ) (2021-10-14T13:28:02Z) - The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
機能性分子の発見は高価で時間を要するプロセスである。
初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。
これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。
しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
論文 参考訳(メタデータ) (2020-02-17T15:41:28Z)
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。