論文の概要: Chem42: a Family of chemical Language Models for Target-aware Ligand Generation

• arxiv url: http://arxiv.org/abs/2503.16563v1
• Date: Thu, 20 Mar 2025 07:07:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:58:57.244412
• Title: Chem42: a Family of chemical Language Models for Target-aware Ligand Generation
• Title（参考訳）: Chem42: ターゲット認識リガンド生成のための化学言語モデルの一家系
• Authors: Aahan Singh, Engin Tekin, Maryam Nadeem, Nancy A. ElNaker, Mohammad Amaan Sayeed, Natalia Vassilieva, Boulbaba Ben Amor,
• Abstract要約: Chem42は、生成化学言語モデルの最先端のファミリーである。 分子構造、相互作用、結合パターンの洗練されたクロスモーダル表現を実現する。 有効な薬物候補の探索スペースを減らすことで、Chem42は薬物発見パイプラインを加速することができる。
• 参考スコア（独自算出の注目度）: 3.2039076408339353
• License:
• Abstract: Revolutionizing drug discovery demands more than just understanding molecular interactions - it requires generative models that can design novel ligands tailored to specific biological targets. While chemical Language Models (cLMs) have made strides in learning molecular properties, most fail to incorporate target-specific insights, restricting their ability to drive de-novo ligand generation. Chem42, a cutting-edge family of generative chemical Language Models, is designed to bridge this gap. By integrating atomic-level interactions with multimodal inputs from Prot42, a complementary protein Language Model, Chem42 achieves a sophisticated cross-modal representation of molecular structures, interactions, and binding patterns. This innovative framework enables the creation of structurally valid, synthetically accessible ligands with enhanced target specificity. Evaluations across diverse protein targets confirm that Chem42 surpasses existing approaches in chemical validity, target-aware design, and predicted binding affinity. By reducing the search space of viable drug candidates, Chem42 could accelerate the drug discovery pipeline, offering a powerful generative AI tool for precision medicine. Our Chem42 models set a new benchmark in molecule property prediction, conditional molecule generation, and target-aware ligand design. The models are publicly available at huggingface.co/inceptionai.
• Abstract（参考訳）: 創発的な薬物発見は、単に分子相互作用を理解するだけでなく、特定の生物学的標的に合わせた新しい配位子を設計できる生成モデルを必要とする。 化学言語モデル (cLM) は分子特性の学習に力を注いでいるが、ほとんどの場合、標的特異的な洞察を取り入れず、デノボリガンド生成を駆動する能力を制限する。 Chem42は、合成化学言語モデルの最先端のファミリーであり、このギャップを埋めるために設計されている。 相補的なタンパク質言語モデルであるProt42からのマルチモーダル入力と原子レベルの相互作用を統合することで、Chem42は分子構造、相互作用、結合パターンの洗練されたクロスモーダル表現を実現する。 この革新的なフレームワークは、標的特異性を高めた構造的に有効な、合成的にアクセス可能なリガンドの作成を可能にする。 多様なタンパク質標的に対する評価は、Chem42が化学的妥当性、標的認識設計、および予測結合親和性において既存のアプローチを超越していることを確認する。 有効な薬物候補の検索スペースを減らすことで、Chem42は薬物発見パイプラインを加速し、高精度な医療のための強力な生成AIツールを提供する。 私たちのChem42モデルは、分子特性予測、条件分子生成、ターゲット認識リガンド設計の新しいベンチマークを設定しました。 モデルはuggingface.co/inceptionaiで公開されている。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
  既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。 種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• 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)
• Improving Targeted Molecule Generation through Language Model Fine-Tuning Via Reinforcement Learning [0.0]
  我々は,特定のタンパク質を標的とした薬物を設計する言語モデルの能力を活用する,革新的なデノボドラッグデザイン戦略を導入する。 本手法は, 薬物-標的相互作用と分子的妥当性を考慮した複合報酬関数を統合する。
  論文  参考訳（メタデータ） (2024-05-10T22:19:12Z)
• 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)
• PrefixMol: Target- and Chemistry-aware Molecule Design via Prefix Embedding [34.27649279751879]
  対象ポケットの状況と様々な化学特性を考慮した新しい生成モデルを構築した。 実験により,本モデルは単条件および多条件の分子生成において良好な制御性を示すことが示された。
  論文  参考訳（メタデータ） (2023-02-14T15:27:47Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• 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)
• Chemistry42: An AI-based platform for de novo molecular design [48.40662244096031]
  Chemistry42は、de novo小分子設計のためのソフトウェアプラットフォームです。 人工知能(AI)技術と、計算および医薬化学の手法を統合する。
  論文  参考訳（メタデータ） (2021-01-22T10:49:26Z)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)
• 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。