論文の概要: It Takes Two to Tango: Directly Optimizing for Constrained Synthesizability in Generative Molecular Design
- arxiv url: http://arxiv.org/abs/2410.11527v1
- Date: Tue, 15 Oct 2024 11:59:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-16 14:00:40.782384
- Title: It Takes Two to Tango: Directly Optimizing for Constrained Synthesizability in Generative Molecular Design
- Title(参考訳): タンゴへの2つの道 - 生成分子設計における制約付き合成性を直接最適化する
- Authors: Jeff Guo, Philippe Schwaller,
- Abstract要約: 制約された合成性は、生成分子設計における未適応の課題である。
TANImoto Group Overlap (TANGO) と呼ばれる新しい報酬関数を提案する。
TANGOは、スパース報酬関数を、強化学習に不可欠な、密集した学習可能な報酬関数に変換する。
- 参考スコア(独自算出の注目度): 0.4037357056611557
- License:
- Abstract: Constrained synthesizability is an unaddressed challenge in generative molecular design. In particular, designing molecules satisfying multi-parameter optimization objectives, while simultaneously being synthesizable and enforcing the presence of specific commercial building blocks in the synthesis. This is practically important for molecule re-purposing, sustainability, and efficiency. In this work, we propose a novel reward function called TANimoto Group Overlap (TANGO), which uses chemistry principles to transform a sparse reward function into a dense and learnable reward function -- crucial for reinforcement learning. TANGO can augment general-purpose molecular generative models to directly optimize for constrained synthesizability while simultaneously optimizing for other properties relevant to drug discovery using reinforcement learning. Our framework is general and addresses starting-material, intermediate, and divergent synthesis constraints. Contrary to most existing works in the field, we show that incentivizing a general-purpose (without any inductive biases) model is a productive approach to navigating challenging optimization scenarios. We demonstrate this by showing that the trained models explicitly learn a desirable distribution. Our framework is the first generative approach to tackle constrained synthesizability.
- Abstract(参考訳): 制約された合成性は、生成分子設計における未適応の課題である。
特に、多パラメータ最適化の目的を満たす分子を設計し、同時に合成可能であり、合成において特定の商業ビルディングブロックの存在を強制する。
これは、分子の再精製、持続可能性、効率性にとって実質的に重要である。
本研究では, TANImoto Group Overlap (TANGO) と呼ばれる新しい報酬関数を提案する。
TANGOは、汎用分子生成モデルを拡張して、制約された合成性を直接最適化すると同時に、強化学習を用いて薬物発見に関連する他の特性を最適化する。
我々のフレームワークは一般的であり、出発物質、中間物質、発散する合成制約に対処する。
この分野における既存のほとんどの研究とは対照的に、(帰納的バイアスなしで)汎用モデルにインセンティブを与えることは、挑戦的な最適化シナリオをナビゲートするための生産的なアプローチであることを示す。
トレーニングされたモデルが望ましい分布を明示的に学習していることを示し、これを実証する。
我々のフレームワークは、制約付き合成可能性に取り組むための最初の生成的アプローチである。
関連論文リスト
- FFHFlow: A Flow-based Variational Approach for Multi-fingered Grasp Synthesis in Real Time [19.308304984645684]
正規化フロー(NF)に基づくDGM(Deep Generative Model)の利用を提案する。
我々はまず,不完全点雲上に条件付きグリップ分布を学習するために,単一条件NF(cNFs)を直接適用することにより,多様性の向上を推し進めた。
これにより、我々は新しいフローベースd Deep Latent Variable Model (DLVM)を開発する動機となった。
変分オートエンコーダ(VAE)とは異なり、提案するDLVMは2つのcNFを事前分布と可能性分布に利用することにより、典型的な落とし穴に対処する。
論文 参考訳(メタデータ) (2024-07-21T13:33:08Z) - Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
本稿では, 事前学習対象拡散モデルと, AliDiff という関数特性を整合させる, 新規で汎用的なアライメントフレームワークを提案する。
AliDiffは、ターゲット条件の化学分布を、より高い結合親和性と構造的合理性を持つ領域にシフトする。
アリーディフは、強い分子特性を維持しながら、-7.07 Avg. Vina Scoreで最先端の結合エネルギーを持つ分子を生成できることを示す。
論文 参考訳(メタデータ) (2024-07-01T06:10:29Z) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳(メタデータ) (2024-03-07T02:53:40Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2021-11-30T06:10:22Z) - 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) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z) - Scaffold-constrained molecular generation [0.0]
SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。
本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
論文 参考訳(メタデータ) (2020-09-15T15:41:18Z) - Molecular Design in Synthetically Accessible Chemical Space via Deep
Reinforcement Learning [0.0]
既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。
本稿では,分子設計のための新しい強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-29T16:29:28Z) - 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。