論文の概要: SDDBench: A Benchmark for Synthesizable Drug Design

• arxiv url: http://arxiv.org/abs/2411.08306v1
• Date: Wed, 13 Nov 2024 03:08:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:10:14.306684
• Title: SDDBench: A Benchmark for Synthesizable Drug Design
• Title（参考訳）: SDDBench: 合成可能な医薬品設計のためのベンチマーク
• Authors: Songtao Liu, Zhengkai Tu, Hanjun Dai, Peng Liu,
• Abstract要約: 分子合成性を評価するための新しいデータ駆動計量を提案する。 提案したラウンドトリップスコアを用いて,分子の合成経路の実現可能性を直接評価する。 提案手法の有効性を示すため, 分子生成モデルを用いて, 探索成功率とともに, ラウンドトリップスコアの総合評価を行う。
• 参考スコア（独自算出の注目度）: 31.739548311094843
• License:
• Abstract: A significant challenge in wet lab experiments with current drug design generative models is the trade-off between pharmacological properties and synthesizability. Molecules predicted to have highly desirable properties are often difficult to synthesize, while those that are easily synthesizable tend to exhibit less favorable properties. As a result, evaluating the synthesizability of molecules in general drug design scenarios remains a significant challenge in the field of drug discovery. The commonly used synthetic accessibility (SA) score aims to evaluate the ease of synthesizing generated molecules, but it falls short of guaranteeing that synthetic routes can actually be found. Inspired by recent advances in top-down synthetic route generation, we propose a new, data-driven metric to evaluate molecule synthesizability. Our approach directly assesses the feasibility of synthetic routes for a given molecule through our proposed round-trip score. This novel metric leverages the synergistic duality between retrosynthetic planners and reaction predictors, both of which are trained on extensive reaction datasets. To demonstrate the efficacy of our method, we conduct a comprehensive evaluation of round-trip scores alongside search success rate across a range of representative molecule generative models. Code is available at https://github.com/SongtaoLiu0823/SDDBench.
• Abstract（参考訳）: 現在の医薬品設計モデルを用いた湿式実験における重要な課題は、薬理学的特性と合成可能性とのトレードオフである。 非常に望ましい性質を持つと予測される分子は、しばしば合成が困難であるが、容易に合成可能な分子は、より好ましい性質を示す傾向にある。 その結果、一般的な薬物設計シナリオにおける分子の合成可能性を評価することは、薬物発見の分野において重要な課題である。 一般的に使用される合成アクセシビリティ(SA)スコアは、生成分子の合成の容易さを評価することを目的としているが、合成経路が実際に見つかることを保証できない。 トップダウン合成経路生成の最近の進歩に触発されて,分子合成性を評価するための新しいデータ駆動計量法を提案する。 提案したラウンドトリップスコアを用いて,分子の合成経路の実現可能性を直接評価する。 この新しい計量は、反合成プランナーと反応予測器の相乗的双対性を利用しており、どちらも広範囲な反応データセットに基づいて訓練されている。 提案手法の有効性を示すため, 分子生成モデルを用いて, 探索成功率とともに, ラウンドトリップスコアの総合評価を行う。 コードはhttps://github.com/SongtaoLiu0823/SDDBenchで入手できる。

関連論文リスト

• SynthFormer: Equivariant Pharmacophore-based Generation of Molecules for Ligand-Based Drug Design [1.3927943269211591]
  本稿では, サイリコ生成法とin vitroにおける実用的手法のギャップについて考察する。 医薬品の3次元同変エンコーダを用いて、完全に合成可能な分子を生成する新しいMLモデルであるSynthFormerを紹介する。 我々の貢献には、3D情報を用いた効率的な化学空間探索のための新しい方法論、分子に3D薬局表現を翻訳するSynthformerと呼ばれる新しいアーキテクチャ、医薬品発見最適化のための試薬を組織する有意義な埋め込み空間が含まれる。
  論文  参考訳（メタデータ） (2024-10-03T17:38:46Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Synthetic Data from Diffusion Models Improve Drug Discovery Prediction [1.3686993145787065]
  データあいまいさは、重要な研究課題に答えようとする研究者にとって、データのキュレーションを難しくする。 本稿では,リガンドおよび薬物動態データをエンドツーエンドに生成できる新しい拡散GNNモデルSyngandを提案する。 我々は,AqSolDB,LD50,hERGを中心とした下流回帰タスクにおいて,Syngand生成した合成目標データの有効性について,最初の有望な結果を示した。
  論文  参考訳（メタデータ） (2024-05-06T19:09:37Z)
• Leap: molecular synthesisability scoring with intermediates [0.0]
  薬物発見における一般的なアプローチは、合成アクセス可能な中間体を取り巻く化学空間を探索することである。 Leapは予測合成経路の深さ、または長い直線経路に基づいて訓練されたGPT-2モデルである。 本稿では,合成可能な分子の同定において,LeapがAUCスコアの少なくとも5%を越えていることを示す。
  論文  参考訳（メタデータ） (2024-03-14T11:53:35Z)
• FSscore: A Machine Learning-based Synthetic Feasibility Score Leveraging Human Expertise [0.7045000393120925]
  この研究は、機械学習を用いて相対的な合成容易性に基づいて構造をランク付けするFocused Synthesizability score(FSscore)を導入している。 FSscoreは、様々な化学応用のための合成実現可能性の評価を最適化するために、どのようにしてヒト・イン・ザ・ループ・フレームワークを利用できるかを示した。
  論文  参考訳（メタデータ） (2023-12-20T03:18:56Z)
• MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction [54.75583184356392]
  本稿では,レトロシンセシス予測のための新しいエンドツーエンドグラフ生成モデルを提案する。 反応中心を逐次同定し、合成子を生成し、合成子にモチーフを加えて反応子を生成する。 ベンチマークデータセットの実験では、提案されたモデルが従来の最先端のアルゴリズムを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2022-09-27T06:29:35Z)
• RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De Novo Drug Design [75.14290780116002]
  我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。 提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:04:16Z)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。