論文の概要: Integration of Genetic Algorithms and Deep Learning for the Generation and Bioactivity Prediction of Novel Tyrosine Kinase Inhibitors

• arxiv url: http://arxiv.org/abs/2408.07155v1
• Date: Tue, 13 Aug 2024 18:50:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 14:45:31.885984
• Title: Integration of Genetic Algorithms and Deep Learning for the Generation and Bioactivity Prediction of Novel Tyrosine Kinase Inhibitors
• Title（参考訳）: 新しいチロシンキナーゼ阻害剤の生成と生物活性予測のための遺伝的アルゴリズムと深層学習の統合
• Authors: Ricardo Romero,
• Abstract要約: 薬物発見の2つの重要な側面に対処するために,遺伝的アルゴリズムと深層学習モデルを組み合わせたアプローチを提案する。 この生成モデルは遺伝的アルゴリズムを利用して、最適化されたADMET(吸収、分布、代謝、排他、毒性)と薬物類似性特性を持つ新しい小さな分子を創出する。 深層学習モデルを用いて、チロシンキナーゼに対するこれらの生成分子の生物活性を予測する。
• 参考スコア（独自算出の注目度）: 0.7614628596146602
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The intersection of artificial intelligence and bioinformatics has enabled significant advancements in drug discovery, particularly through the application of machine learning models. In this study, we present a combined approach using genetic algorithms and deep learning models to address two critical aspects of drug discovery: the generation of novel tyrosine kinase inhibitors and the prediction of their bioactivity. The generative model leverages genetic algorithms to create new small molecules with optimized ADMET (absorption, distribution, metabolism, excretion, and toxicity) and drug-likeness properties. Concurrently, a deep learning model is employed to predict the bioactivity of these generated molecules against tyrosine kinases, a key enzyme family involved in various cellular processes and cancer progression. By integrating these advanced computational methods, we demonstrate a powerful framework for accelerating the generation and identification of potential tyrosine kinase inhibitors, contributing to more efficient and effective early-stage drug discovery processes.
• Abstract（参考訳）: 人工知能とバイオインフォマティクスの交差は、特に機械学習モデルの適用を通じて、薬物発見の大幅な進歩を可能にした。 本研究では,遺伝子アルゴリズムと深層学習モデルを用いて,新規チロシンキナーゼ阻害剤の生成と生物活性の予測という,薬物発見の2つの重要な側面に対処するアプローチを提案する。 生成モデルは遺伝的アルゴリズムを利用して、最適化されたADMET(吸収、分布、代謝、排他、毒性)と薬物類似性特性を持つ新しい小さな分子を創出する。 同時に、様々な細胞プロセスやがん進行に関与する主要な酵素ファミリーであるチロシンキナーゼに対するこれらの生成分子の生物活性を予測するために、ディープラーニングモデルが用いられる。 これらの先進的な計算手法を統合することにより、チロシンキナーゼ阻害薬の生成と同定を加速する強力な枠組みが示され、より効率的かつ効果的な創薬プロセスに寄与する。

関連論文リスト

• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• Machine Learning-Based Prediction of Key Genes Correlated to the Subretinal Lesion Severity in a Mouse Model of Age-Related Macular Degeneration [23.83675500954393]
  加齢関連黄斑変性症(AMD)は、高齢者の視覚障害の主要な原因である。 AMDの理解の進歩にもかかわらず、網膜下傷(線維症)の重症度を誘導する分子的要因はいまだ解明されていない。 本研究では、病変の重症度に強く相関するキー遺伝子を予測する機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-08T10:08:54Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation [9.442146563809953]
  本研究では, 標的親和性, 薬物類似性, 合成性に関連する目的を組み込んだ, 汎用的な「プラグイン」分子生成モデルを構築した。 我々はPSO-ENPを多目的分子生成と最適化のための最適変種として同定する。
  論文  参考訳（メタデータ） (2024-04-10T02:37:24Z)
• Quantum Computing-Enhanced Algorithm Unveils Novel Inhibitors for KRAS [10.732020360180773]
  我々は16量子ビットのIBM量子コンピュータでトレーニングされた量子アルゴリズムのパワーをシームレスに統合する量子古典的生成モデルを導入する。 我々の研究は、実験で確認された生物学的ヒットを生み出すために量子生成モデルを使用した初めてのものである。
  論文  参考訳（メタデータ） (2024-02-13T04:19:06Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• ChemSpaceAL: An Efficient Active Learning Methodology Applied to Protein-Specific Molecular Generation [0.0]
  本稿では,生成したデータのサブセットのみを評価することを必要とする,計算効率のよい能動的学習手法を提案する。 FDAが承認した小分子インヒビターc-Ablキナーゼを用いたタンパク質に対するGPT分子ジェネレータの微調整による標的分子生成への本手法の適用性を実証した。 興味深いことに、このモデルは、その存在を事前に知ることなく、インヒビターに似た分子を生成することを学び、それらのうち2つを正確に再現する。
  論文  参考訳（メタデータ） (2023-09-11T22:28:36Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• PGMG: A Pharmacophore-Guided Deep Learning Approach for Bioactive Molecular Generation [5.168827506745199]
  バイオアクティベート分子生成のための深層学習手法PGMGを提案する。 PGMGは, 高い妥当性, 特異性, 新規性を保ちながら, 与えられた薬理泳動モデルに適合する分子を生成可能であることを示す。 PGMGの柔軟性と有効性は、薬物発見プロセスの加速に有用なツールである。
  論文  参考訳（メタデータ） (2022-07-02T12:31:17Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。