論文の概要: Pathway-Guided Optimization of Deep Generative Molecular Design Models for Cancer Therapy

• arxiv url: http://arxiv.org/abs/2411.03460v1
• Date: Tue, 05 Nov 2024 19:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:22:26.426306
• Title: Pathway-Guided Optimization of Deep Generative Molecular Design Models for Cancer Therapy
• Title（参考訳）: 癌治療のためのディープジェネレーション分子設計モデルの経路誘導最適化
• Authors: Alif Bin Abdul Qayyum, Susan D. Mertins, Amanda K. Paulson, Nathan M. Urban, Byung-Jun Yoon,
• Abstract要約: ジャンクションツリー変動オートエンコーダ (JTVAE) は効率的な生成モデルであることが示されている。 薬物様小分子の治療効果を評価する薬理力学モデルが, 有効潜時空間最適化にどのように組み込まれているかを示す。
• 参考スコア（独自算出の注目度）: 1.8210200978176423
• License:
• Abstract: The data-driven drug design problem can be formulated as an optimization task of a potentially expensive black-box objective function over a huge high-dimensional and structured molecular space. The junction tree variational autoencoder (JTVAE) has been shown to be an efficient generative model that can be used for suggesting legitimate novel drug-like small molecules with improved properties. While the performance of the generative molecular design (GMD) scheme strongly depends on the initial training data, one can improve its sampling efficiency for suggesting better molecules with enhanced properties by optimizing the latent space. In this work, we propose how mechanistic models - such as pathway models described by differential equations - can be used for effective latent space optimization(LSO) of JTVAEs and other similar models for GMD. To demonstrate the potential of our proposed approach, we show how a pharmacodynamic model, assessing the therapeutic efficacy of a drug-like small molecule by predicting how it modulates a cancer pathway, can be incorporated for effective LSO of data-driven models for GMD.
• Abstract（参考訳）: データ駆動型薬物設計問題は、巨大な高次元および構造化分子空間上の潜在的に高価なブラックボックス目的関数の最適化タスクとして定式化することができる。 ジャンクションツリー変異オートエンコーダ (JTVAE) は、改良された性質を持つ新規な薬物様小分子を提案できる効率的な生成モデルであることが示されている。 生成分子設計(GMD)方式の性能は初期訓練データに強く依存するが、潜伏空間を最適化することにより、より優れた特性を持つ分子を提案するサンプリング効率を向上させることができる。 本研究では,JTVAEの有効潜時空間最適化(LSO)やGMDの類似モデルに,微分方程式で記述された経路モデルなどのメカニスティックモデルを用いる方法を提案する。 提案手法の可能性を実証するために,GMDのデータ駆動モデルにおいて,がん経路をどう調節するかを予測して薬物様小分子の治療効果を評価する医薬力学モデルが有効LSOに組み入れられるかを示す。

関連論文リスト

• Conditional Latent Space Molecular Scaffold Optimization for Accelerated Molecular Design [17.175846006359674]
  初期入力と類似性を保ちながら分子を戦略的に修飾するための条件付き遅延空間分子スカフォールド最適化(CLaSMO)を導入する。 我々のLSBO設定は、最適化のサンプル効率を向上し、我々の修正アプローチは、実世界の適用可能性の高い分子を得るのに役立ちます。 我々はまた、化学の専門家がCLaSMOをHuman-in-the-Loop設定で適用できるオープンソースのWebアプリケーションも提供する。
  論文  参考訳（メタデータ） (2024-11-03T03:17:38Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Leveraging Latent Evolutionary Optimization for Targeted Molecule Generation [0.0]
  分子生成(LEOMol)における遅延進化最適化という革新的なアプローチを提案する。 LEOMolは最適化分子の効率的な生成のための生成モデリングフレームワークである。 提案手法は,従来の最先端モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-02T13:42:21Z)
• 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)
• Enhancing Generative Molecular Design via Uncertainty-guided Fine-tuning of Variational Autoencoders [2.0701439270461184]
  事前学習された生成分子設計モデルにとって重要な課題は、下流の設計タスクに適するように微調整することである。 本研究では,生成不確実性デコーダ(VAE)に基づくGMDモデルに対して,アクティブな環境下での性能フィードバックによる新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-31T02:00:25Z)
• Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation [9.442146563809953]
  本研究では, 標的親和性, 薬物類似性, 合成性に関連する目的を組み込んだ, 汎用的な「プラグイン」分子生成モデルを構築した。 我々はPSO-ENPを多目的分子生成と最適化のための最適変種として同定する。
  論文  参考訳（メタデータ） (2024-04-10T02:37:24Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Multi-Objective Latent Space Optimization of Generative Molecular Design Models [3.1996400013865656]
  生成分子設計(GMD)の性能を大幅に向上させる多目的潜在空間最適化(LSO)法を提案する。 複数分子特性を共同最適化するための多目的GMD LSO法は, GMDの性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-01T15:12:05Z)
• 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)
• Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
  本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。 実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
  論文  参考訳（メタデータ） (2021-09-22T01:16:22Z)

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。