論文の概要: Pharmacophore-constrained de novo drug design with diffusion bridge

• arxiv url: http://arxiv.org/abs/2412.19812v1
• Date: Tue, 10 Dec 2024 15:41:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 10:01:38.881359
• Title: Pharmacophore-constrained de novo drug design with diffusion bridge
• Title（参考訳）: 拡散ブリッジを用いた薬理学的制約ド・ノボ薬物設計
• Authors: Conghao Wang, Yuguang Mu, Jagath C. Rajapakse,
• Abstract要約: PP2Drugは、望まれる生物活性を持つ薬物候補を生成するために、パハマコフォアに拘束されたデノボ設計アプローチである。 提案手法は拡散ブリッジを用いて空間空間における医薬品の設計を分子構造に効果的に変換する。
• 参考スコア（独自算出の注目度）: 1.290382979353427
• License:
• Abstract: De novo design of bioactive drug molecules with potential to treat desired biological targets is a profound task in the drug discovery process. Existing approaches tend to leverage the pocket structure of the target protein to condition the molecule generation. However, even the pocket area of the target protein may contain redundant information since not all atoms in the pocket is responsible for the interaction with the ligand. In this work, we propose PP2Drug - a phamacophore-constrained de novo design approach to generate drug candidate with desired bioactivity. Our method adapts diffusion bridge to effectively convert pharmacophore designs in the spatial space into molecular structures under the manner of equivariant transformation, which provides sophisticated control over optimal biochemical feature arrangement on the generated molecules. PP2Drug is demonstrated to generate hit candidates that exhibit high binding affinity with potential protein targets.
• Abstract（参考訳）: 望まれる生物学的標的を治療できる生体活性薬物分子のデノボ設計は、薬物発見プロセスにおいて重要な課題である。 既存のアプローチでは、標的タンパク質のポケット構造を利用して分子生成を条件付ける傾向にある。 しかし、標的タンパク質のポケット領域でさえ、リガンドとの相互作用にポケット内の全ての原子が関与しているわけではないため、冗長な情報を含む可能性がある。 本研究では, Phamacophore-constrained de novoデザインアプローチであるPP2Drugを提案する。 提案手法は拡散ブリッジを用いて空間空間における医薬品の設計を等変変換法により分子構造に効果的に変換し, 生成した分子の最適な生化学的特徴の配置を高度に制御する。 PP2Drugは、潜在的タンパク質標的と高い結合親和性を示すヒット候補を生成する。

関連論文リスト

• 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)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Learning Subpocket Prototypes for Generalizable Structure-based Drug Design [17.61987808099346]
  深部生成モデルは、タンパク質ポケットに固定された3D分子の生成において顕著な成功を収めた。 既存の方法の多くは、タンパク質ポケットの分子生成を独立に考慮している。 本稿では, 汎用構造に基づく医薬品設計のための新しいドラッグGPS法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T13:49:49Z)
• Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
  薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。 このシステムは、薬物のような化合物と標的特異的な生物活性分子の大規模なデータセットを用いて訓練される。 オープンアクセスされた薬物遺伝子を用いて、他の薬剤性タンパク質のモデルを容易に訓練することができる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:27Z)
• Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
  標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。 そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-30T09:32:39Z)
• PGMG: A Pharmacophore-Guided Deep Learning Approach for Bioactive Molecular Generation [5.168827506745199]
  バイオアクティベート分子生成のための深層学習手法PGMGを提案する。 PGMGは, 高い妥当性, 特異性, 新規性を保ちながら, 与えられた薬理泳動モデルに適合する分子を生成可能であることを示す。 PGMGの柔軟性と有効性は、薬物発見プロセスの加速に有用なツールである。
  論文  参考訳（メタデータ） (2022-07-02T12:31:17Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
  既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。 本稿では,分子設計のための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:29:28Z)
• 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。