論文の概要: PepTune: De Novo Generation of Therapeutic Peptides with Multi-Objective-Guided Discrete Diffusion

• arxiv url: http://arxiv.org/abs/2412.17780v1
• Date: Mon, 23 Dec 2024 18:38:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:56:48.749123
• Title: PepTune: De Novo Generation of Therapeutic Peptides with Multi-Objective-Guided Discrete Diffusion
• Title（参考訳）: PepTune:多目的離散拡散による治療ペプチドのデノボ生成
• Authors: Sophia Tang, Yinuo Zhang, Pranam Chatterjee,
• Abstract要約: 治療ペプチドSMILESの同時生成と最適化のための多目的離散拡散モデルであるPepTuneを提案する。 我々は, 標的結合親和性, 膜透過性, 溶解性, 溶血性, 非汚濁性など, 複数の治療特性に最適化された多種多様な修飾ペプチドを生成する。 以上の結果から,PepTuneは離散状態空間における多目的シーケンス設計において,強力かつモジュール化されたアプローチであることを示す。
• 参考スコア（独自算出の注目度）: 2.6668932659159905
• License:
• Abstract: Peptide therapeutics, a major class of medicines, have achieved remarkable success across diseases such as diabetes and cancer, with landmark examples such as GLP-1 receptor agonists revolutionizing the treatment of type-2 diabetes and obesity. Despite their success, designing peptides that satisfy multiple conflicting objectives, such as target binding affinity, solubility, and membrane permeability, remains a major challenge. Classical drug development and structure-based design are ineffective for such tasks, as they fail to optimize global functional properties critical for therapeutic efficacy. Existing generative frameworks are largely limited to continuous spaces, unconditioned outputs, or single-objective guidance, making them unsuitable for discrete sequence optimization across multiple properties. To address this, we present PepTune, a multi-objective discrete diffusion model for the simultaneous generation and optimization of therapeutic peptide SMILES. Built on the Masked Discrete Language Model (MDLM) framework, PepTune ensures valid peptide structures with state-dependent masking schedules and penalty-based objectives. To guide the diffusion process, we propose a Monte Carlo Tree Search (MCTS)-based strategy that balances exploration and exploitation to iteratively refine Pareto-optimal sequences. MCTS integrates classifier-based rewards with search-tree expansion, overcoming gradient estimation challenges and data sparsity inherent to discrete spaces. Using PepTune, we generate diverse, chemically-modified peptides optimized for multiple therapeutic properties, including target binding affinity, membrane permeability, solubility, hemolysis, and non-fouling characteristics on various disease-relevant targets. In total, our results demonstrate that MCTS-guided discrete diffusion is a powerful and modular approach for multi-objective sequence design in discrete state spaces.
• Abstract（参考訳）: GLP-1受容体アゴニストは2型糖尿病や肥満の治療に革命を起こすなど、糖尿病やがんなどの疾患で顕著な成功を収めている。 その成功にもかかわらず、標的結合親和性、溶解性、膜透過性などの複数の競合する目的を満たすペプチドを設計することは大きな課題である。 古典的な薬物開発と構造に基づく設計は、治療効果に重要なグローバルな機能特性の最適化に失敗するため、そのようなタスクには効果がない。 既存の生成フレームワークは、主に連続空間、無条件出力、単目的誘導に限られており、複数の特性にわたる離散シーケンス最適化には適さない。 治療ペプチドSMILESの同時生成と最適化のための多目的離散拡散モデルであるPepTuneを提案する。 Masked Discrete Language Model (MDLM)フレームワーク上に構築されたPepTuneは、状態依存型マスキングスケジュールとペナルティに基づく目的を持った有効なペプチド構造を保証する。 拡散過程の導出を目的として,モンテカルロ木探索(MCTS)に基づく探索と利用のバランスをとる手法を提案する。 MCTSは、分類器に基づく報酬を探索木拡張と統合し、勾配推定の課題と離散空間固有のデータ空間を克服する。 PepTuneを用いて, 標的結合親和性, 膜透過性, 溶解性, 溶血性, および各種疾患関連標的に対する非汚濁特性など, 複数の治療特性に最適化された多種多様な修飾ペプチドを生成する。 総じて,MCTS誘導離散拡散は離散状態空間における多目的シーケンス設計のための強力かつモジュラーなアプローチであることを示す。

関連論文リスト

• Fine-Tuning Discrete Diffusion Models via Reward Optimization with Applications to DNA and Protein Design [56.957070405026194]
  拡散モデルにより生成された軌道全体を通して報酬の直接バックプロパゲーションを可能にするアルゴリズムを提案する。 DRAKESは自然に似ており、高い報酬をもたらすシーケンスを生成することができる。
  論文  参考訳（メタデータ） (2024-10-17T15:10:13Z)
• 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)
• Peptide Vaccine Design by Evolutionary Multi-Objective Optimization [34.83487850400559]
  ペプチドワクチン設計の主な課題は、個人間のアレルの多様性に起因するペプチドの有効サブセットを選択することである。 従来の研究は主に、ペプチド-マヨルヒストコンパチビリティ複合体(ペプチド-MHC)結合の期待数を最大化することを目的として、制約付き最適化問題としてこのタスクを定式化した。 本稿では,2目的最適化問題としてペプチドワクチン設計を再構成する多目的最適化に基づく新しいフレームワークEMOを提案する。
  論文  参考訳（メタデータ） (2024-06-09T11:28:55Z)
• MoFormer: Multi-objective Antimicrobial Peptide Generation Based on Conditional Transformer Joint Multi-modal Fusion Descriptor [15.98003148948758]
  AMPの多属性同時最適化のための多目的AMP合成パイプライン(MoFormer)を構築した。 MoFormerは、条件付き制約ときめ細かいマルチディスクリプタによってガイドされる、高度に構造化された潜在空間におけるAMPシーケンスの望ましい属性を改善している。 抗微生物活性の増強と溶血の最小化により,MoFormerは既存の方法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-03T07:17:18Z)
• 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)
• A Multi-Modal Contrastive Diffusion Model for Therapeutic Peptide Generation [7.779658935195194]
  本稿では,新しいペプチド配列と構造を共生成するために,拡散フレームワークにおける配列と構造の両方のモダリティを融合したマルチモーダルコントラスト拡散モデルを提案する。 MMCDは、抗菌性/抗がん性スコア、多様性、ペプチドドッキングなど、さまざまな指標で治療ペプチドを産生する、最先端のディープジェネレーション法よりも優れている。
  論文  参考訳（メタデータ） (2023-12-25T09:20:26Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Scaffold-Based Multi-Objective Drug Candidate Optimization [9.53584200550524]
  グラフに焦点をあてたマルコフ連鎖モンテカルロフレームワークを導入し、最適な性質を持つ分子を生成する。 ScaMARSの多様性スコアは84.6%であり、条件付きモデルよりも99.5%高い。
  論文  参考訳（メタデータ） (2022-12-15T21:42:17Z)
• PropertyDAG: Multi-objective Bayesian optimization of partially ordered, mixed-variable properties for biological sequence design [42.92794039060737]
  本稿では,従来の多目的BO上で動作するフレームワークであるPropertyDAGを紹介する。 ペニシリン生産タスク,おもちゃの数値問題,実世界の抗体設計タスクにおいて,複数のシミュレーションされた能動学習繰り返しの性能を示す。
  論文  参考訳（メタデータ） (2022-10-08T19:42:16Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• A Novel Unified Conditional Score-based Generative Framework for Multi-modal Medical Image Completion [54.512440195060584]
  我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。 UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。 BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
  論文  参考訳（メタデータ） (2022-07-07T16:57:21Z)

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。