論文の概要: AI-guided Antibiotic Discovery Pipeline from Target Selection to Compound Identification

• arxiv url: http://arxiv.org/abs/2504.11091v1
• Date: Tue, 15 Apr 2025 11:36:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:01.185637
• Title: AI-guided Antibiotic Discovery Pipeline from Target Selection to Compound Identification
• Title（参考訳）: AI誘導型抗生物質発見パイプライン : ターゲット選択から複合同定へ
• Authors: Maximilian G. Schuh, Joshua Hesse, Stephan A. Sieber,
• Abstract要約: タンパク質構造予測と機械学習の最近の進歩は、薬物発見を加速する有望な機会を提供する。 我々は3次元構造認識生成モデルのエンド・ツー・エンドでガイド付き実現を実現する。 この研究は、初期の抗生物質開発に人工知能をデプロイするための比較ベンチマークと青写真を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Antibiotic resistance presents a growing global health crisis, demanding new therapeutic strategies that target novel bacterial mechanisms. Recent advances in protein structure prediction and machine learning-driven molecule generation offer a promising opportunity to accelerate drug discovery. However, practical guidance on selecting and integrating these models into real-world pipelines remains limited. In this study, we develop an end-to-end, artificial intelligence-guided antibiotic discovery pipeline that spans target identification to compound realization. We leverage structure-based clustering across predicted proteomes of multiple pathogens to identify conserved, essential, and non-human-homologous targets. We then systematically evaluate six leading 3D-structure-aware generative models$\unicode{x2014}$spanning diffusion, autoregressive, graph neural network, and language model architectures$\unicode{x2014}$on their usability, chemical validity, and biological relevance. Rigorous post-processing filters and commercial analogue searches reduce over 100 000 generated compounds to a focused, synthesizable set. Our results highlight DeepBlock and TamGen as top performers across diverse criteria, while also revealing critical trade-offs between model complexity, usability, and output quality. This work provides a comparative benchmark and blueprint for deploying artificial intelligence in early-stage antibiotic development.
• Abstract（参考訳）: 抗生物質耐性は世界的な健康危機を招き、新しい細菌のメカニズムを標的とする新しい治療戦略を必要としている。 タンパク質構造予測と機械学習駆動分子生成の最近の進歩は、薬物発見を加速する有望な機会を提供する。 しかし、これらのモデルを現実世界のパイプラインに選択し、統合するための実践的なガイダンスは依然として限られている。 本研究では,エンド・ツー・エンドの人工知能誘導型抗生物質発見パイプラインを開発した。 複数の病原体の予測されたプロテオームにまたがる構造に基づくクラスタリングを利用して、保存された、必須で、非ヒトのホモロジー的標的を同定する。 次に,6つの主要な3次元構造認識生成モデル$\unicode{x2014}$スパンニング拡散,自己回帰,グラフニューラルネットワーク,言語モデルアーキテクチャ$\unicode{x2014}$そのユーザビリティ,化学的妥当性,生物学的関連性について,体系的に評価した。 厳密な後処理フィルターと商用アナログ検索は、100万以上の生成化合物を焦点を絞った合成可能な集合に還元する。 私たちの結果は、DeepBlockとTamGenをさまざまな基準でトップパフォーマーとして強調するとともに、モデルの複雑さ、ユーザビリティ、出力品質の間に重要なトレードオフを明らかにしています。 この研究は、初期の抗生物質開発に人工知能をデプロイするための比較ベンチマークと青写真を提供する。

関連論文リスト

• CL-MFAP: A Contrastive Learning-Based Multimodal Foundation Model for Molecular Property Prediction and Antibiotic Screening [9.162517838181683]
  非教師付きコントラスト学習(CL)ベースのマルチモーダル基礎(MF)モデルであるCL-MFAPを導入する。 このモデルは、ChEMBLデータセットから薬物のような性質を持つ1.6万の生物活性分子を用いて、3つのエンコーダを共同で事前訓練する。 CL-MFAPは、異なる分子モードを有効利用することにより、抗生物質特性予測におけるベースラインモデルより優れ、抗生物質関連特性予測タスクの微調整時に、ドメイン特異的性能が優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-16T05:45:19Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• E(3)-invariant diffusion model for pocket-aware peptide generation [1.9950682531209156]
  コンピュータ支援型インヒビター発見の新しい手法として,de novo pocket-aware peptide structureとシーケンス生成ネットワークを提案する。 以上の結果から,本手法は最先端モデルに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-10-27T19:59:09Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning [2.01243755755303]
  ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。 これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
  論文  参考訳（メタデータ） (2023-08-02T12:08:17Z)
• 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)
• Scalable Pathogen Detection from Next Generation DNA Sequencing with Deep Learning [3.8175773487333857]
  本稿ではトランスフォーマーネットワークをバックボーンとして利用するディープラーニングベースのソリューションMG2Vecを提案する。 提案手法は,未治療の実際の臨床サンプルから病原体を検出するのに有効であることを示す。 本稿では,メタジェノムをベースとした深層学習による疾患診断のための新しい表現学習フレームワークの包括的評価を行う。
  論文  参考訳（メタデータ） (2022-11-30T00:13:59Z)
• AI-Bind: Improving Binding Predictions for Novel Protein Targets and Ligands [9.135203550164833]
  現状のモデルは、新しい構造への一般化に失敗することを示す。 ネットワークベースのサンプリング戦略と教師なし事前トレーニングを組み合わせたパイプラインであるAI-Bindを紹介する。 我々は,SARS-CoV-2ウイルスタンパク質に結合した薬剤や天然化合物を予測し,AI-Bindの価値を説明する。
  論文  参考訳（メタデータ） (2021-12-25T01:52:58Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。