論文の概要: Generative Flows on Synthetic Pathway for Drug Design

• arxiv url: http://arxiv.org/abs/2410.04542v1
• Date: Sun, 6 Oct 2024 16:34:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 06:46:25.728538
• Title: Generative Flows on Synthetic Pathway for Drug Design
• Title（参考訳）: 医薬品設計のための合成経路の創成流れ
• Authors: Seonghwan Seo, Minsu Kim, Tony Shen, Martin Ester, Jinkyoo Park, Sungsoo Ahn, Woo Youn Kim,
• Abstract要約: 分子構築ブロックと化学反応テンプレートを用いて分子を逐次組み立てるRxnFlowを提案する。 RxnFlowは、平均8.85kcal/molのVinaスコアと34.8%の合成性を備えたCrossDocked 2020のポケットコンディション生成における最先端のパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 39.69010664056235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models in drug discovery have recently gained attention as efficient alternatives to brute-force virtual screening. However, most existing models do not account for synthesizability, limiting their practical use in real-world scenarios. In this paper, we propose RxnFlow, which sequentially assembles molecules using predefined molecular building blocks and chemical reaction templates to constrain the synthetic chemical pathway. We then train on this sequential generating process with the objective of generative flow networks (GFlowNets) to generate both highly rewarded and diverse molecules. To mitigate the large action space of synthetic pathways in GFlowNets, we implement a novel action space subsampling method. This enables RxnFlow to learn generative flows over extensive action spaces comprising combinations of 1.2 million building blocks and 71 reaction templates without significant computational overhead. Additionally, RxnFlow can employ modified or expanded action spaces for generation without retraining, allowing for the introduction of additional objectives or the incorporation of newly discovered building blocks. We experimentally demonstrate that RxnFlow outperforms existing reaction-based and fragment-based models in pocket-specific optimization across various target pockets. Furthermore, RxnFlow achieves state-of-the-art performance on CrossDocked2020 for pocket-conditional generation, with an average Vina score of -8.85kcal/mol and 34.8% synthesizability.
• Abstract（参考訳）: 薬物発見における生成モデルは、最近、ブルートフォース仮想スクリーニングの効率的な代替手段として注目されている。 しかし、既存のほとんどのモデルは合成可能性を考慮しておらず、現実のシナリオでの使用を制限している。 本稿では、RxnFlowを提案する。RxnFlowは、予め定義された分子構造ブロックと化学反応テンプレートを用いて分子を逐次組み立て、合成化学経路を制約する。 次に、生成フローネットワーク(GFlowNets)を用いて、この逐次生成プロセスを訓練し、高い報酬と多様な分子を生成する。 GFlowNetsにおける合成経路の大規模な動作空間を緩和するため,新しい動作空間サブサンプリング法を実装した。 これによりRxnFlowは、120万のビルディングブロックと71のリアクションテンプレートを組み合わせた広範なアクション空間上の生成フローを、計算上のオーバーヘッドなく学習することができる。 さらに、RxnFlowは変更または拡張されたアクションスペースを、再トレーニングせずに生成するために使用することができるため、追加の目的や新たに発見されたビルディングブロックの導入が可能になる。 実験により、RxnFlowは、既存の反応に基づくモデルやフラグメントベースのモデルよりも、ポケット固有の最適化において、様々なターゲットポケットにおいて優れていることを示す。 さらに、RxnFlowはCrossDocked2020において、平均8.85kcal/molのVinaスコアと34.8%の合成性を持つ、ポケットコンディショナリ生成のための最先端のパフォーマンスを実現している。

関連論文リスト

• Exploring Discrete Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは、最近提案されたジェネレーティブモデリングフレームワークで、様々なタスクにおいて印象的なパフォーマンスを実現している。 本稿では,既存の手法よりも学習可能なパラメータが少ない3D de novo設計における技術性能の状態を達成した,オープンソースのFlowMol-CTMCを提案する。
  論文  参考訳（メタデータ） (2024-11-25T18:27:39Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• PeRFlow: Piecewise Rectified Flow as Universal Plug-and-Play Accelerator [73.80050807279461]
  Piecewise Rectified Flow (PeRFlow) は拡散モデルの高速化のためのフローベース手法である。 PeRFlowは数ステップの世代で優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-13T07:10:53Z)
• SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints [16.21161274235011]
  反応空間が化学反応と購入可能な反応剤を用いて新しい分子を逐次構築するGFlowNetモデルであるSynFlowNetを紹介する。 生成機構の明示的な制約としてフォワード合成を取り入れることで、シリコン分子生成と実世界の合成能力のギャップを埋めることを目指す。
  論文  参考訳（メタデータ） (2024-05-02T10:15:59Z)
• Mixed Continuous and Categorical Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは拡散モデルを一般化する最近提案された生成モデリングフレームワークである。 本稿では,フローマッチングフレームワークを,確率単純性として知られるカテゴリデータの連続的な表現に制約のあるフローを構築することにより,カテゴリデータに拡張する。 実際には、データのカテゴリ的な性質に配慮しないシンプルなアプローチは、同等あるいは優れたパフォーマンスをもたらすことが分かっています。
  論文  参考訳（メタデータ） (2024-04-30T17:37:21Z)
• SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
  我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
  論文  参考訳（メタデータ） (2023-10-03T19:24:24Z)
• Generative Flow Networks for Discrete Probabilistic Modeling [118.81967600750428]
  エネルギーベース生成フローネットワーク(EB-GFN)について述べる。 EB-GFNは高次元離散データのための新しい確率論的モデリングアルゴリズムである。 GFlowNetsは、モード間を混在させるために、大ブロックギブスサンプリングを略して行うことができるかを示す。
  論文  参考訳（メタデータ） (2022-02-03T01:27:11Z)
• FastFlows: Flow-Based Models for Molecular Graph Generation [4.9252608053969675]
  FastFlowsは数千の化学的に有効な分子を数秒で生成する。 我々のモデルは自己回帰型分子生成モデルよりもはるかにシンプルで、訓練が容易です。
  論文  参考訳（メタデータ） (2022-01-28T21:08:31Z)
• Flow Network based Generative Models for Non-Iterative Diverse Candidate Generation [110.09855163856326]
  本稿では,アクションのシーケンスからオブジェクトを生成するためのポリシーを学習する問題について述べる。 本稿では,生成過程をフローネットワークとして見たGFlowNetを提案する。 提案した目的の任意のグローバルな最小限が、所望の分布から標本化する方針を導出することを証明する。
  論文  参考訳（メタデータ） (2021-06-08T14:21:10Z)

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。