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
- BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [116.43369600518163]
我々は,新たな実験を設計し,その成果の理由を判断し,仮説空間を効率的にナビゲートし,望ましい解を得るエージェントであるBioDiscoveryAgentを開発した。
BioDiscoveryAgentは、機械学習モデルをトレーニングしたり、取得関数を明示的に設計することなく、新しい実験を独自に設計することができる。
5つのデータセットで所望の表現型を検出することで平均18%の改善を実現している。
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) - 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) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z) - 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) - 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。