論文の概要: Drug Discovery SMILES-to-Pharmacokinetics Diffusion Models with Deep Molecular Understanding

• arxiv url: http://arxiv.org/abs/2408.07636v1
• Date: Wed, 14 Aug 2024 16:01:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 12:43:33.296930
• Title: Drug Discovery SMILES-to-Pharmacokinetics Diffusion Models with Deep Molecular Understanding
• Title（参考訳）: 深い分子理解を伴うSMILES-to-Pharmacokinetics Diffusionモデル
• Authors: Bing Hu, Anita Layton, Helen Chen,
• Abstract要約: ImagandはSMILES-to-Pharmacokinetic (S2PK)拡散モデルであり、SMILES入力に条件付けされたPKターゲット特性の配列を生成することができる。 Imagandは、データの重複する空間に対する有望なソリューションであり、研究者は薬物発見研究のためのリガンドPKデータを効率的に生成することができる。
• 参考スコア（独自算出の注目度）: 1.4952056744888913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) is increasingly used in every stage of drug development. One challenge facing drug discovery AI is that drug pharmacokinetic (PK) datasets are often collected independently from each other, often with limited overlap, creating data overlap sparsity. Data sparsity makes data curation difficult for researchers looking to answer research questions in poly-pharmacy, drug combination research, and high-throughput screening. We propose Imagand, a novel SMILES-to-Pharmacokinetic (S2PK) diffusion model capable of generating an array of PK target properties conditioned on SMILES inputs. We show that Imagand-generated synthetic PK data closely resembles real data univariate and bivariate distributions, and improves performance for downstream tasks. Imagand is a promising solution for data overlap sparsity and allows researchers to efficiently generate ligand PK data for drug discovery research. Code is available at \url{https://github.com/bing1100/Imagand}.
• Abstract（参考訳）: 人工知能(AI)は、薬物開発におけるあらゆる段階において使われるようになっている。 薬物発見AIに直面する課題の1つは、薬物薬物動態(PK)データセットが互いに独立して収集されることが多く、重複が限定され、データが重複する頻度が生じることである。 データスパーシリティは、多薬、薬物の組み合わせ研究、高スループットスクリーニングなどの研究課題に答えようとする研究者にとって、データのキュレーションを困難にしている。 SMILES入力に条件付きPKターゲット特性の配列を生成することができる新しいSMILES-to-Pharmacokinetic (S2PK)拡散モデルであるImagandを提案する。 Imagandで生成した合成PKデータは,実データの一変量分布と二変量分布によく似ており,下流タスクの性能向上を図っている。 Imagandは、データの重複する空間に対する有望なソリューションであり、研究者は薬物発見研究のためのリガンドPKデータを効率的に生成することができる。 コードは \url{https://github.com/bing1100/Imagand} で入手できる。

関連論文リスト

• 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)
• Synthetic Data from Diffusion Models Improve Drug Discovery Prediction [1.3686993145787065]
  データあいまいさは、重要な研究課題に答えようとする研究者にとって、データのキュレーションを難しくする。 本稿では,リガンドおよび薬物動態データをエンドツーエンドに生成できる新しい拡散GNNモデルSyngandを提案する。 我々は,AqSolDB,LD50,hERGを中心とした下流回帰タスクにおいて,Syngand生成した合成目標データの有効性について,最初の有望な結果を示した。
  論文  参考訳（メタデータ） (2024-05-06T19:09:37Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• 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)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• HyGNN: Drug-Drug Interaction Prediction via Hypergraph Neural Network [0.0]
  薬物と薬物の相互作用(DDI)は薬物の機能を妨げる可能性があり、最悪の場合、薬物の副作用(ADR)を引き起こす可能性がある。 本稿では,DDI予測問題に対するSMILES文字列のみに基づく新しいハイパーグラフニューラルネットワーク(HyGNN)モデルを提案する。 提案したHyGNNモデルは, DDIを効果的に予測し, ROC-AUCとPR-AUCを97.9%, 98.1%で比較した。
  論文  参考訳（メタデータ） (2022-06-25T22:48:27Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• CODE-AE: A Coherent De-confounding Autoencoder for Predicting Patient-Specific Drug Response From Cell Line Transcriptomics [35.67979269269178]
  我々はコヒーレント・デコンウンディング・オートエンコーダ(CODE-AE)を開発し、コヒーレント・サンプルによって共有される共通生体信号と、各データセットに固有のプライベート表現の両方を抽出する。 CODE-AEは、患者の薬物反応の予測と生物学的シグナルの分解において、最先端の方法に対する精度と堅牢性を大幅に改善する。
  論文  参考訳（メタデータ） (2021-01-31T21:17:44Z)

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。