論文の概要: Generating 3D Binding Molecules Using Shape-Conditioned Diffusion Models with Guidance

• arxiv url: http://arxiv.org/abs/2502.06027v1
• Date: Sun, 09 Feb 2025 20:50:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:30:40.329767
• Title: Generating 3D Binding Molecules Using Shape-Conditioned Diffusion Models with Guidance
• Title（参考訳）: 形状変化拡散モデルを用いた3次元結合分子の生成
• Authors: Ziqi Chen, Bo Peng, Tianhua Zhai, Daniel Adu-Ampratwum, Xia Ning,
• Abstract要約: 医薬品開発は批判的だが、資源と時間のかかるプロセスで悪名高い。 我々は3次元結合分子を生成する新しい生成人工知能(genAI)法DiffSMolを開発した。 DiffSMolは、ベンチマークデータセット上で最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.928541769033148
• License:
• Abstract: Drug development is a critical but notoriously resource- and time-consuming process. In this manuscript, we develop a novel generative artificial intelligence (genAI) method DiffSMol to facilitate drug development. DiffSmol generates 3D binding molecules based on the shapes of known ligands. DiffSMol encapsulates geometric details of ligand shapes within pre-trained, expressive shape embeddings and then generates new binding molecules through a diffusion model. DiffSMol further modifies the generated 3D structures iteratively via shape guidance to better resemble the ligand shapes. It also tailors the generated molecules toward optimal binding affinities under the guidance of protein pockets. Here, we show that DiffSMol outperforms the state-of-the-art methods on benchmark datasets. When generating binding molecules resembling ligand shapes, DiffSMol with shape guidance achieves a success rate 61.4%, substantially outperforming the best baseline (11.2%), meanwhile producing molecules with novel molecular graph structures. DiffSMol with pocket guidance also outperforms the best baseline in binding affinities by 13.2%, and even by 17.7% when combined with shape guidance. Case studies for two critical drug targets demonstrate very favorable physicochemical and pharmacokinetic properties of the generated molecules, thus, the potential of DiffSMol in developing promising drug candidates.
• Abstract（参考訳）: 医薬品開発は批判的だが、資源と時間のかかるプロセスで悪名高い。 そこで本論文では,創薬支援のための新しい生成人工知能(genAI)手法であるDiffSMolを開発した。 DiffSmolは既知の配位子の形状に基づいて3D結合分子を生成する。 DiffSMolは、事前訓練された表現可能な形状の埋め込みの中で配位子の形状の幾何学的詳細をカプセル化し、拡散モデルを通して新しい結合分子を生成する。 DiffSMolはさらに、リガンド形状によく似ているように、形状誘導によって生成された3D構造を反復的に修正する。 また、タンパク質ポケットの誘導の下で、生成した分子を最適な結合親和性に調整する。 ここでは、DiffSMolがベンチマークデータセット上で最先端の手法より優れていることを示す。 リガンド形状に似た結合分子を生成する際、形状誘導を持つDiffSMolは61.4%の成功率を達成し、高いベースライン(11.2%)をほぼ上回り、一方で新規な分子グラフ構造を持つ分子を生成する。 ポケット誘導のDiffSMolは、結合親和性において13.2%、形状誘導と組み合わせて17.7%でも最高のベースラインを上回っている。 2つの重要な薬物標的のケーススタディは、生成した分子の生理化学的および薬物動態学的特性を非常に良好に示しており、DiffSMolが有望な薬物候補を開発できる可能性を示している。

関連論文リスト

• NExT-Mol: 3D Diffusion Meets 1D Language Modeling for 3D Molecule Generation [72.22099363325145]
  NExT-Mol: 3D Diffusion Meets 1D Language Modeling for 3D Molecule Generationを提案する。 NExT-Molは1D分子生成のために広範囲に事前訓練された分子LMを使用し、その後、生成された分子の3Dコンホメータを予測する。 我々は,NExT-Molの性能を向上させるために,LMのモデルサイズをスケールアップし,拡散ニューラルアーキテクチャを改良し,三次元トランスファー学習に1Dを適用した。
  論文  参考訳（メタデータ） (2025-02-18T08:40:13Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• 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)
• TAGMol: Target-Aware Gradient-guided Molecule Generation [19.977071499171903]
  3次元生成モデルは、構造ベースドラッグデザイン(SBDD)において大きな可能性を秘めている。 問題を分子生成と特性予測に分離する。 後者は相乗的に拡散サンプリング過程を導出し、誘導拡散を促進し、所望の性質を持つ有意義な分子を創出する。 この誘導分子生成過程をTAGMolと呼ぶ。
  論文  参考訳（メタデータ） (2024-06-03T14:43:54Z)
• Medication Recommendation via Dual Molecular Modalities and Multi-Step Enhancement [6.927266015351967]
  既存の分子知識に基づく研究は、分子の3次元幾何学構造を無視し、医薬品の高次元情報を学ぶのに失敗している。 本稿では,原子3次元座標とエッジインデックスを得るために3次元分子構造を導入するBiMoRecという2次元分子レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T07:13:08Z)
• 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)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
  構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。 本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。 概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
  論文  参考訳（メタデータ） (2022-08-14T10:41:52Z)
• Structure-aware generation of drug-like molecules [2.449909275410288]
  深部生成法は、新しい分子をスクラッチから提案する(デノボ設計)。 本稿では, 分子間空間における3次元ポーズと協調して分子グラフを生成する新しい教師付きモデルを提案する。 ドッキングベンチマークを用いて,ドッキングモデルの評価を行い,ドッキング生成によって予測される結合親和性が8%向上し,薬物類似度が10%向上することが確認された。
  論文  参考訳（メタデータ） (2021-11-07T15:19:54Z)

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。