論文の概要: Small Molecule Drug Discovery Through Deep Learning:Progress, Challenges, and Opportunities

• arxiv url: http://arxiv.org/abs/2502.08975v1
• Date: Thu, 13 Feb 2025 05:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:47:29.378823
• Title: Small Molecule Drug Discovery Through Deep Learning:Progress, Challenges, and Opportunities
• Title（参考訳）: 深層学習による小分子創薬:進歩・挑戦・機会
• Authors: Kun Li, Yida Xiong, Hongzhi Zhang, Xiantao Cai, Bo Du, Wenbin Hu,
• Abstract要約: 深層学習(DL)技術の急速な発展により,DLを基盤とした小型分子ドラッグ発見法は優れた性能を発揮した。 本稿では, DLをベースとした小分子創薬における最近の重要な課題と代表的手法を体系的に要約し, 一般化する。
• 参考スコア（独自算出の注目度）: 34.72068278499029
• License:
• Abstract: Due to their excellent drug-like and pharmacokinetic properties, small molecule drugs are widely used to treat various diseases, making them a critical component of drug discovery. In recent years, with the rapid development of deep learning (DL) techniques, DL-based small molecule drug discovery methods have achieved excellent performance in prediction accuracy, speed, and complex molecular relationship modeling compared to traditional machine learning approaches. These advancements enhance drug screening efficiency and optimization, and they provide more precise and effective solutions for various drug discovery tasks. Contributing to this field's development, this paper aims to systematically summarize and generalize the recent key tasks and representative techniques in DL-based small molecule drug discovery in recent years. Specifically, we provide an overview of the major tasks in small molecule drug discovery and their interrelationships. Next, we analyze the six core tasks, summarizing the related methods, commonly used datasets, and technological development trends. Finally, we discuss key challenges, such as interpretability and out-of-distribution generalization, and offer our insights into future research directions for DL-assisted small molecule drug discovery.
• Abstract（参考訳）: 薬物のような優れた性質と薬物動態の性質から、小分子の薬物は様々な疾患の治療に広く用いられており、薬物発見の重要な要素となっている。 近年, 深層学習(DL)技術の急速な発展に伴い, 従来の機械学習手法と比較して, 予測精度, 速度, 複雑な分子関係モデリングにおいて優れた性能を達成している。 これらの進歩は薬物スクリーニングの効率と最適化を高め、様々な薬物発見タスクに対してより正確で効果的なソリューションを提供する。 この分野の発展に寄与し,近年のDL系小分子創薬における課題と代表的手法を体系的に要約し,一般化することを目的としている。 具体的には、小分子ドラッグ発見における主要な課題とその相互関係について概説する。 次に,6つのコアタスクを分析し,関連する手法,一般的なデータセット,技術開発動向を要約する。 最後に、解釈可能性や分布外一般化といった重要な課題について論じ、DL支援小分子創薬の今後の研究方向性について考察する。

関連論文リスト

• Diffusion Models for Molecules: A Survey of Methods and Tasks [56.44565051667812]
  分子に関する生成タスクは、薬物の発見と材料設計に不可欠である。 拡散モデルは、深い生成モデルの印象的なクラスとして現れている。 本稿では拡散モデルに基づく分子生成法について包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-13T17:22:50Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications [6.832024637226738]
  薬物分子とそれに対応する指標を翻訳する新しい課題を提案する。 表示からの分子の生成、またはその逆は、病気のより効率的なターゲティングを可能にする。
  論文  参考訳（メタデータ） (2024-02-14T21:33:13Z)
• Hybrid quantum cycle generative adversarial network for small molecule generation [0.0]
  本研究は、パラメタライズド量子回路の既知の分子生成逆数ネットワークへの工学的統合に基づく、いくつかの新しい生成逆数ネットワークモデルを導入する。 導入された機械学習モデルには、強化学習原理に基づく新しいマルチパラメータ報酬関数が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-28T14:10:26Z)
• CardiGraphormer: Unveiling the Power of Self-Supervised Learning in Revolutionizing Drug Discovery [0.32634122554914]
  CardiGraphormer は Graphormer と Cardinality Preserving Attention の新たな組み合わせである。 SSLは強力な分子表現を学習し、GNNを用いて分子指紋を抽出する。 CardiGraphormerの薬物発見と薬物相互作用への応用は、非常に大きい。
  論文  参考訳（メタデータ） (2023-07-03T08:58:32Z)
• Deep Learning Methods for Small Molecule Drug Discovery: A Survey [6.61864409597243]
  薬物発見における深層学習の様々な応用を概観する。 これには、分子生成、分子特性予測、レトロ合成予測、反応予測が含まれる。 創薬の課題を特定し,創薬における深層学習手法の今後の動向について論じる。
  論文  参考訳（メタデータ） (2023-03-01T08:16:38Z)
• 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)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)

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。