論文の概要: NPGPT: Natural Product-Like Compound Generation with GPT-based Chemical Language Models

• arxiv url: http://arxiv.org/abs/2411.12886v1
• Date: Tue, 19 Nov 2024 22:08:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:12:54.596703
• Title: NPGPT: Natural Product-Like Compound Generation with GPT-based Chemical Language Models
• Title（参考訳）: NPGPT:GPTに基づく化学言語モデルを用いた天然物様化合物生成
• Authors: Koh Sakano, Kairi Furui, Masahito Ohue,
• Abstract要約: 我々は、天然製品データセットで化学言語モデルを訓練し、天然製品のような化合物を生成した。 その結果, 生成した化合物の分布は天然物と類似していた。 本手法は, 広大な化学領域を探索し, 天然物の薬物発見の時間とコストを削減できる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Natural products are substances produced by organisms in nature and often possess biological activity and structural diversity. Drug development based on natural products has been common for many years. However, the intricate structures of these compounds present challenges in terms of structure determination and synthesis, particularly compared to the efficiency of high-throughput screening of synthetic compounds. In recent years, deep learning-based methods have been applied to the generation of molecules. In this study, we trained chemical language models on a natural product dataset and generated natural product-like compounds. The results showed that the distribution of the compounds generated was similar to that of natural products. We also evaluated the effectiveness of the generated compounds as drug candidates. Our method can be used to explore the vast chemical space and reduce the time and cost of drug discovery of natural products.
• Abstract（参考訳）: 天然物は自然界において生物によって生産される物質であり、しばしば生物活性と構造多様性を持つ。 天然物に基づく医薬品開発は、長年にわたって一般的であった。 しかしながら、これらの化合物の複雑な構造は、特に合成化合物の高スループットスクリーニングの効率と比較して、構造決定と合成の点で困難を呈する。 近年、深層学習に基づく手法が分子の生成に応用されている。 本研究では, 天然物データセットを用いて化学言語モデルを訓練し, 生成した天然物様化合物について検討した。 その結果, 生成した化合物の分布は天然物と類似していた。 また, 生成化合物の有効性を薬剤候補として評価した。 本手法は, 広大な化学領域を探索し, 天然物の薬物発見の時間とコストを削減できる。

関連論文リスト

• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• 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)
• LLamol: A Dynamic Multi-Conditional Generative Transformer for De Novo Molecular Design [0.0]
  LLamolはLLama 2アーキテクチャに基づいた単一の新しい生成トランスフォーマーモデルである。 モデルが最大4つの条件で単一条件および多条件の有機分子生成を順応的に処理できることを実証する。 より詳しくは,個別に,あるいは数値特性と組み合わせて,トークンシーケンスを条件付けに活用するモデルの能力について紹介する。
  論文  参考訳（メタデータ） (2023-11-24T10:59:12Z)
• BioT5: Enriching Cross-modal Integration in Biology with Chemical Knowledge and Natural Language Associations [54.97423244799579]
  $mathbfBioT5$は、化学知識と自然言語の関連性によって生物学のクロスモーダルな統合を強化する事前学習フレームワークである。 $mathbfBioT5$は構造化知識と非構造化知識を区別し、より効果的な情報利用につながる。
  論文  参考訳（メタデータ） (2023-10-11T07:57:08Z)
• Interactive Molecular Discovery with Natural Language [69.89287960545903]
  対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。 この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
  論文  参考訳（メタデータ） (2023-06-21T02:05:48Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Multi-modal Molecule Structure-text Model for Text-based Retrieval and Editing [107.49804059269212]
  分子の化学構造とテキスト記述を共同で学習し, マルチモーダルな分子構造テキストモデル, MoleculeSTMを提案する。 実験において、分子STMは、新しい生化学的概念を創出するための最先端の一般化能力を得る。
  論文  参考訳（メタデータ） (2022-12-21T06:18:31Z)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• Deep Denerative Models for Drug Design and Response [0.0]
  深部生成モデリングの最近の成功は、新しい分子の生成と最適化の可能性を秘めている。 本稿では, 化学・生物データベース, 生成モデリングツールについて紹介する。
  論文  参考訳（メタデータ） (2021-09-14T06:33:56Z)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)
• DeepSIBA: Chemical Structure-based Inference of Biological Alterations [0.0]
  我々は、複合構造をグラフとして表現し、それらの生物学的フットプリントにリンクする深層学習モデルを開発する。 提案したモデルでは、化学構造から新しい表現を学習し、構造的に異なる化合物を同定することができた。 本稿では,複合摂動による信号伝達経路を推定するために,訓練されたモデルを用いた新しい推論手法を提案する。
  論文  参考訳（メタデータ） (2020-04-01T16:29:45Z)

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。