論文の概要: TurboHopp: Accelerated Molecule Scaffold Hopping with Consistency Models

• arxiv url: http://arxiv.org/abs/2410.20660v1
• Date: Mon, 28 Oct 2024 01:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:15:28.866665
• Title: TurboHopp: Accelerated Molecule Scaffold Hopping with Consistency Models
• Title（参考訳）: TurboHopp: 一貫性モデルによるモジュールスキャフォールドホッピングの高速化
• Authors: Kiwoong Yoo, Owen Oertell, Junhyun Lee, Sanghoon Lee, Jaewoo Kang,
• Abstract要約: ターボホップ(TurboHopp)は、ポケットコンディショニングされた3D足場ホッピングモデルである。 既存の拡散ベースモデルに比べて最大30倍高速な推論速度と生成品質を実現している。
• 参考スコア（独自算出の注目度）: 27.015199052632166
• License:
• Abstract: Navigating the vast chemical space of druggable compounds is a formidable challenge in drug discovery, where generative models are increasingly employed to identify viable candidates. Conditional 3D structure-based drug design (3D-SBDD) models, which take into account complex three-dimensional interactions and molecular geometries, are particularly promising. Scaffold hopping is an efficient strategy that facilitates the identification of similar active compounds by strategically modifying the core structure of molecules, effectively narrowing the wide chemical space and enhancing the discovery of drug-like products. However, the practical application of 3D-SBDD generative models is hampered by their slow processing speeds. To address this bottleneck, we introduce TurboHopp, an accelerated pocket-conditioned 3D scaffold hopping model that merges the strategic effectiveness of traditional scaffold hopping with rapid generation capabilities of consistency models. This synergy not only enhances efficiency but also significantly boosts generation speeds, achieving up to 30 times faster inference speed as well as superior generation quality compared to existing diffusion-based models, establishing TurboHopp as a powerful tool in drug discovery. Supported by faster inference speed, we further optimize our model, using Reinforcement Learning for Consistency Models (RLCM), to output desirable molecules. We demonstrate the broad applicability of TurboHopp across multiple drug discovery scenarios, underscoring its potential in diverse molecular settings.
• Abstract（参考訳）: 薬物性化合物の広大な化学領域をナビゲートすることは、創薬モデルが候補の特定にますます使われているドラッグ発見において、非常に難しい課題である。 複雑な3次元相互作用と分子幾何学を考慮に入れた条件付き3次元構造に基づく薬物設計(3D-SBDD)モデルは特に有望である。 スカフォルドホッピングは、分子のコア構造を戦略的に修正し、広い化学領域を効果的に狭め、薬物のような生成物の発見を促進することで、類似の活性化合物の同定を容易にする効率的な戦略である。 しかし、3D-SBDD生成モデルの実用化は、処理速度の遅さによって妨げられている。 このボトルネックに対処するため,ポケットコンディショニングされた3次元足場ホッピングモデルであるTurboHoppを導入する。 このシナジーは効率を向上するだけでなく、生成速度を大幅に向上し、既存の拡散ベースのモデルと比べて最大30倍の推論速度と優れた生成品質を実現し、薬物発見の強力なツールとしてTurboHoppを確立している。 より高速な推論速度によって支援され,RLCM(Reinforcement Learning for Consistency Models)を用いて,より望ましい分子を出力する。 我々は、TurboHoppが様々な薬物発見シナリオにまたがって広く適用可能であることを実証し、その可能性を様々な分子的設定で示している。

関連論文リスト

• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  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)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Hybrid quantum cycle generative adversarial network for small molecule generation [0.0]
  本研究は、パラメタライズド量子回路の既知の分子生成逆数ネットワークへの工学的統合に基づく、いくつかの新しい生成逆数ネットワークモデルを導入する。 導入された機械学習モデルには、強化学習原理に基づく新しいマルチパラメータ報酬関数が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-28T14:10:26Z)
• Generation of 3D Molecules in Pockets via Language Model [0.0]
  逐次線記法(SMILES)やグラフ表現に基づく分子の生成モデルは、構造に基づく薬物設計の分野への関心が高まっている。 本稿では,言語モデルと幾何学的深層学習技術を組み合わせたポケットベースの3次元分子生成手法であるLingo3DMolを紹介する。
  論文  参考訳（メタデータ） (2023-05-17T11:31:06Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
  構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。 本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。 概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
  論文  参考訳（メタデータ） (2022-08-14T10:41:52Z)
• De novo design of protein target specific scaffold-based Inhibitors via Reinforcement Learning [8.210294479991118]
  標的タンパク質の分子開発への現在のアプローチは直観駆動であり、反復的な設計-テストサイクルが遅くなるのを妨げている。 本稿では3D-MolGNN$_RL$と呼ばれる新しいフレームワークを提案する。 われわれのアプローチは、最適化された活動、有効性、生体物理特性によるリード最適化のための解釈可能な人工知能(AI)ツールとして機能する。
  論文  参考訳（メタデータ） (2022-05-21T00:47:35Z)

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。