論文の概要: MF-LAL: Drug Compound Generation Using Multi-Fidelity Latent Space Active Learning

• arxiv url: http://arxiv.org/abs/2410.11226v1
• Date: Tue, 15 Oct 2024 03:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:00:44.088070
• Title: MF-LAL: Drug Compound Generation Using Multi-Fidelity Latent Space Active Learning
• Title（参考訳）: MF-LAL:多要素潜在空間能動学習を用いた医薬品生成
• Authors: Peter Eckmann, Dongxia Wu, Germano Heinzelmann, Michael K Gilson, Rose Yu,
• Abstract要約: MF-LAL (Multi-Fidelity Latent space Active Learning) は、様々なコスト・精度のトレードオフを持つオラクルの集合を統合する生成モデリングフレームワークである。 MF-LALは, 結合自由エネルギーのスコアが, 他の単一および多忠実なアプローチよりも有意に優れた化合物を産生することを示した。
• 参考スコア（独自算出の注目度）: 16.48834281521776
• License:
• Abstract: Current generative models for drug discovery primarily use molecular docking as an oracle to guide the generation of active compounds. However, such models are often not useful in practice because even compounds with high docking scores do not consistently show experimental activity. More accurate methods for activity prediction exist, such as molecular dynamics based binding free energy calculations, but they are too computationally expensive to use in a generative model. To address this challenge, we propose Multi-Fidelity Latent space Active Learning (MF-LAL), a generative modeling framework that integrates a set of oracles with varying cost-accuracy tradeoffs. Unlike previous approaches that separately learn the surrogate model and generative model, MF-LAL combines the generative and multi-fidelity surrogate models into a single framework, allowing for more accurate activity prediction and higher quality samples. We train MF-LAL with a novel active learning algorithm to further reduce computational cost. Our experiments on two disease-relevant proteins show that MF-LAL produces compounds with significantly better binding free energy scores than other single and multi-fidelity approaches.
• Abstract（参考訳）: 現在の創薬モデルでは、主に分子ドッキングをオラクルとして使用して活性化合物の生成を誘導している。 しかし、ドッキングスコアが高い化合物でさえ常に実験活性を示すわけではないため、そのようなモデルは実際は役に立たないことが多い。 分子動力学に基づく結合自由エネルギー計算など、より正確な活動予測方法が存在するが、生成モデルで使用するには計算コストがかかりすぎる。 この課題に対処するために,複数のオーラクルと様々なコスト・正確性トレードオフを統合する生成モデリングフレームワークであるMF-LAL(Multi-Fidelity Latent space Active Learning)を提案する。 代理モデルと生成モデルを別々に学習する従来のアプローチとは異なり、MF-LALは生成的および多忠実な代理モデルを単一のフレームワークに統合し、より正確なアクティビティ予測と高品質なサンプルを可能にする。 我々は,新しい能動学習アルゴリズムでMF-LALを訓練し,計算コストをさらに削減する。 2つの疾患関連タンパク質に関する実験により、MF-LALは、他の単一および多忠実なアプローチよりもはるかに優れた結合自由エネルギースコアを持つ化合物を産生することが示された。

関連論文リスト

• Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties [0.0]
  量子化学(QC)特性に対するMFML(Multifidelity Machine Learning)は近年,強力な発展を遂げている。 本研究は,MFMLと最適化MFMLの2つの手法における非ネステッドトレーニングデータの利用を評価する。
  論文  参考訳（メタデータ） (2024-07-24T08:34:08Z)
• Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
  マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。 本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• MFBind: a Multi-Fidelity Approach for Evaluating Drug Compounds in Practical Generative Modeling [17.689451879343014]
  現在の創薬モデルでは、主に分子ドッキングを用いて生成物の品質を評価する。 本稿では,MFBind(Multi-fidelity Bind)を提案し,精度と計算コストの最適トレードオフを実現する。
  論文  参考訳（メタデータ） (2024-02-16T00:48:20Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
  薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Diffusion-Generative Multi-Fidelity Learning for Physical Simulation [24.723536390322582]
  本研究では,微分方程式(SDE)に基づく拡散生成多忠実学習法を開発した。 付加的な入力(時間変数や空間変数)を条件にすることで、我々のモデルは効率的に多次元の解列を学習し、予測することができる。
  論文  参考訳（メタデータ） (2023-11-09T18:59:05Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。