論文の概要: A Deep Generative Model for the Design of Synthesizable Ionizable Lipids
- arxiv url: http://arxiv.org/abs/2412.00928v1
- Date: Sun, 01 Dec 2024 18:33:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-04 15:49:27.659465
- Title: A Deep Generative Model for the Design of Synthesizable Ionizable Lipids
- Title(参考訳): 合成可能なイオン化可能な脂質の設計のための深部生成モデル
- Authors: Yuxuan Ou, Jingyi Zhao, Austin Tripp, Morteza Rasoulianboroujeni, José Miguel Hernández-Lobato,
- Abstract要約: イオン化可能な脂質はRNA保護において重要な役割を担い、細胞質への輸送を促進する。
深層生成モデルは、このプロセスを加速し、従来の手法と比較して大きな候補空間を探索することができる。
本モデルは, 新規なイオン化可能な脂質構造を生成し, 合成可能なビルディングブロックを用いた合成経路を提供し, 合成可能性に対処する。
- 参考スコア(独自算出の注目度): 28.132346875941707
- License:
- Abstract: Lipid nanoparticles (LNPs) are vital in modern biomedicine, enabling the effective delivery of mRNA for vaccines and therapies by protecting it from rapid degradation. Among the components of LNPs, ionizable lipids play a key role in RNA protection and facilitate its delivery into the cytoplasm. However, designing ionizable lipids is complex. Deep generative models can accelerate this process and explore a larger candidate space compared to traditional methods. Due to the structural differences between lipids and small molecules, existing generative models used for small molecule generation are unsuitable for lipid generation. To address this, we developed a deep generative model specifically tailored for the discovery of ionizable lipids. Our model generates novel ionizable lipid structures and provides synthesis paths using synthetically accessible building blocks, addressing synthesizability. This advancement holds promise for streamlining the development of lipid-based delivery systems, potentially accelerating the deployment of new therapeutic agents, including mRNA vaccines and gene therapies.
- Abstract(参考訳): 脂質ナノ粒子(LNP)は、現代の生医学において不可欠であり、ワクチンや治療薬のmRNAの迅速な分解から保護することで、効果的なデリバリーを可能にしている。
LNPの構成要素のうち、イオン化可能な脂質はRNA保護において重要な役割を担い、細胞質への輸送を促進する。
しかし、イオン化可能な脂質の設計は複雑である。
深層生成モデルは、このプロセスを加速し、従来の手法と比較して大きな候補空間を探索することができる。
脂質と小分子の構造的差異のため、小さな分子生成に使用される既存の生成モデルは脂質生成には適さない。
そこで我々は, イオン化可能な脂質の発見に適した深部生成モデルを開発した。
本モデルは, 新規なイオン化可能な脂質構造を生成し, 合成可能なビルディングブロックを用いた合成経路を提供し, 合成可能性に対処する。
この進歩は、脂質ベースのデリバリーシステムの開発の合理化を約束しており、mRNAワクチンや遺伝子治療を含む新しい治療薬の配備を加速させる可能性がある。
関連論文リスト
- GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。
このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。
また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
論文 参考訳(メタデータ) (2025-02-11T05:39:49Z) - Pharmacophore-guided de novo drug design with diffusion bridge [1.450261153230204]
PharmacoBridge, phamacophore-guided de novo design approach to generate drug candidate inducing desired bioactivity throughfusion bridge。
提案手法は拡散ブリッジに適応し, 空間内の医薬品の配列を分子構造に効果的に変換する。
論文 参考訳(メタデータ) (2024-12-10T15:41:06Z) - Generative Model for Synthesizing Ionizable Lipids: A Monte Carlo Tree Search Approach [28.132346875941707]
イオン化可能な脂質は、効果的なメッセンジャーRNA(mRNA)輸送のための脂質ナノ粒子(LNP)の開発に必須である。
新しい電離可能な脂質を設計する伝統的な手法は一般的に時間を要するものであり、強力な解決策として深層生成モデルが登場している。
本研究は, 合成可能な電離性脂質に対するモンテカルロ木探索(MCTS)に基づく生成モデルについて検討する。
論文 参考訳(メタデータ) (2024-12-01T13:34:22Z) - Latent Diffusion Models for Controllable RNA Sequence Generation [33.38594748558547]
RNAはDNAとタンパク質の間の重要な中間体であり、高い配列の多様性と複雑な3次元構造を示す。
可変長の離散RNA配列の生成と最適化のための潜時拡散モデルを開発した。
実験の結果、RNA拡散は様々な生物学的指標の自然な分布と一致した非コードRNAを生成することが確認された。
論文 参考訳(メタデータ) (2024-09-15T19:04:50Z) - TransMA: an explainable multi-modal deep learning model for predicting properties of ionizable lipid nanoparticles in mRNA delivery [10.7522257668405]
本稿では,TransMAと呼ばれる説明可能なLNPの透過効率予測モデルを提案する。
TransMAはマルチモーダル分子構造融合アーキテクチャを採用している。
トランスフェクション効率の予測において最先端の性能を達成する。
論文 参考訳(メタデータ) (2024-07-08T08:43:32Z) - LDMol: Text-to-Molecule Diffusion Model with Structurally Informative Latent Space [55.5427001668863]
テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。
LDMolは、学習可能で構造的に有意な特徴空間を生成する分子オートエンコーダを含む。
我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
論文 参考訳(メタデータ) (2024-05-28T04:59:13Z) - Molecular De Novo Design through Transformer-based Reinforcement
Learning [38.803770968809225]
分子デノボ設計のためのトランスフォーマーを用いた生成モデルを微調整する手法を提案する。
提案手法は, 種々の生物標的に対して活性を示すと予測された化合物の生成において, 優れた性能を示す。
本手法は, 足場ホッピング, 単一分子からのライブラリ拡張, 生物標的に対する高い活性の化合物の生成に有効である。
論文 参考訳(メタデータ) (2023-10-09T02:51:01Z) - 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) - 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) - CogMol: Target-Specific and Selective Drug Design for COVID-19 Using
Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。
CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。
CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文 参考訳(メタデータ) (2020-04-02T18:17:20Z)
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。