論文の概要: Pharmacophore-Conditioned Diffusion Model for Ligand-Based De Novo Drug Design

• arxiv url: http://arxiv.org/abs/2505.10545v1
• Date: Thu, 15 May 2025 17:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.451293
• Title: Pharmacophore-Conditioned Diffusion Model for Ligand-Based De Novo Drug Design
• Title（参考訳）: リガンド系デノボ医薬品設計のための薬理合成拡散モデル
• Authors: Amira Alakhdar, Barnabas Poczos, Newell Washburn,
• Abstract要約: 本稿では3次元分子生成のための薬理泳動条件拡散モデルであるPharmaDiffについて述べる。 PharmaDiffは3D薬局の原子ベースの表現を生成過程に統合するためにトランスフォーマーベースのアーキテクチャを採用している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing bioactive molecules remains a central, time- and cost-heavy challenge in drug discovery, particularly for novel targets lacking structural or functional data. Pharmacophore modeling presents an alternative for capturing the key features required for molecular bioactivity against a biological target. In this work, we present PharmaDiff, a pharmacophore-conditioned diffusion model for 3D molecular generation. PharmaDiff employs a transformer-based architecture to integrate an atom-based representation of the 3D pharmacophore into the generative process, enabling the precise generation of 3D molecular graphs that align with predefined pharmacophore hypotheses. Through comprehensive testing, PharmaDiff demonstrates superior performance in matching 3D pharmacophore constraints compared to ligand-based drug design methods. Additionally, it achieves higher docking scores across a range of proteins in structure-based drug design, without the need for target protein structures. By integrating pharmacophore modeling with 3D generative techniques, PharmaDiff offers a powerful and flexible framework for rational drug design.
• Abstract（参考訳）: 生物活性分子の開発は、特に構造的または機能的なデータが欠如している新規ターゲットにとって、薬物発見における中心的、時間的、そしてコスト的にも大きな課題である。 ファーマフォアモデリング(Pharmacophore modeling)は、生物学的標的に対する分子生物学的活性に必要な重要な特徴を捉える代替手段である。 本稿では3次元分子生成のための薬理条件拡散モデルであるPharmaDiffについて述べる。 ファーマディフは、3D薬局の原子ベースの表現を生成過程に統合するためにトランスフォーマーベースのアーキテクチャを用いており、事前に定義された薬局の仮説と整合した3D分子グラフを正確に生成することができる。 総合的なテストを通じて、PharmaDiffは、リガンドベースの薬物設計法と比較して、3D薬局の制約に適合する優れた性能を示す。 さらに、標的タンパク質構造を必要とせず、構造に基づく薬物設計において、様々なタンパク質のドッキングスコアを達成している。 医薬品のモデリングと3D生成技術を統合することで、PharmaDiffは合理的な薬物設計のための強力で柔軟な枠組みを提供する。

関連論文リスト

• Generative molecule evolution using 3D pharmacophore for efficient Structure-Based Drug Design [8.652951659846838]
  我々は、数十億の小さな分子データセットと乏しいタンパク質-リガンド複合体データセットのギャップを埋めるMEVOという進化的フレームワークを提案する。 MEVOは, 潜伏空間における分子表現のための高忠実度VQ-VAE, 薬理泳動誘導分子生成のための拡散モデル, 分子最適化のためのポケットアウェア進化戦略の3つの重要な構成要素から構成される。
  論文  参考訳（メタデータ） (2025-07-27T04:58:11Z)
• ShEPhERD: Diffusing shape, electrostatics, and pharmacophores for bioisosteric drug design [12.447291301949997]
  医薬品設計において、既知の生物活性ヒットの生体異性体類似は、しばしば、形状、静電気、薬局類似度スコアリング機能を持つ化学ライブラリーを事実上スクリーニングすることによって識別される。 3次元分子構造上の結合分布とその相互作用プロファイルを学習する生成モデルが3次元相互作用を意識した化学設計を促進すると仮定する。 具体的には、ShEPhERDという3次元分子グラフとそれらの形状、静電ポテンシャル表面、および(方向)医薬泳動をガウスノイズから/から連続的に拡散・除去するSE(3)同変拡散モデルの設計を行う。
  論文  参考訳（メタデータ） (2024-10-22T23:05:14Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)

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。