論文の概要: Phenotypic Profile-Informed Generation of Drug-Like Molecules via Dual-Channel Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2506.02051v1
• Date: Sun, 01 Jun 2025 07:46:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.878253
• Title: Phenotypic Profile-Informed Generation of Drug-Like Molecules via Dual-Channel Variational Autoencoders
• Title（参考訳）: デュアルチャネル変分オートエンコーダによる薬物様分子の現象型プロファイルインフォームド生成
• Authors: Hui Liu, Shiye Tian, Xuejun Liu,
• Abstract要約: スマイルスゲン(SmilesGEN)は、変異型オートエンコーダ(VAE)アーキテクチャに基づく新しい生成モデルであり、潜在的な治療効果を持つ分子を生成する。 SmilesGENは、事前訓練された薬物VAEと発現プロファイルVAE(ProfileNet)を統合し、薬物様分子を生成する。 実験により, SmilesGENは, 高い妥当性, 特異性, 新規性, および関連するタンパク質を標的とした高次谷本類似性を有する分子の生成において, 現在の最先端モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 4.474508237015231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The de novo generation of drug-like molecules capable of inducing desirable phenotypic changes is receiving increasing attention. However, previous methods predominantly rely on expression profiles to guide molecule generation, but overlook the perturbative effect of the molecules on cellular contexts. To overcome this limitation, we propose SmilesGEN, a novel generative model based on variational autoencoder (VAE) architecture to generate molecules with potential therapeutic effects. SmilesGEN integrates a pre-trained drug VAE (SmilesNet) with an expression profile VAE (ProfileNet), jointly modeling the interplay between drug perturbations and transcriptional responses in a common latent space. Specifically, ProfileNet is imposed to reconstruct pre-treatment expression profiles when eliminating drug-induced perturbations in the latent space, while SmilesNet is informed by desired expression profiles to generate drug-like molecules. Our empirical experiments demonstrate that SmilesGEN outperforms current state-of-the-art models in generating molecules with higher degree of validity, uniqueness, novelty, as well as higher Tanimoto similarity to known ligands targeting the relevant proteins. Moreover, we evaluate SmilesGEN for scaffold-based molecule optimization and generation of therapeutic agents, and confirmed its superior performance in generating molecules with higher similarity to approved drugs. SmilesGEN establishes a robust framework that leverages gene signatures to generate drug-like molecules that hold promising potential to induce desirable cellular phenotypic changes.
• Abstract（参考訳）: 好ましい表現型変化を誘導できる薬物様分子のデノボ生成が注目されている。 しかし、従来の方法では、主に分子生成を誘導するために発現プロファイルに依存していたが、細胞コンテキストにおける分子の摂動効果を見落としていた。 この制限を克服するために,変異型オートエンコーダ(VAE)アーキテクチャに基づく新規な生成モデルであるSmilesGENを提案する。 SmilesGENは、事前訓練された薬物VAE(SmilesNet)と発現プロファイルVAE(ProfileNet)を統合し、一般的な潜伏空間における薬物摂動と転写反応の相互作用を共同でモデル化する。 具体的には、プロファイラーネットは、潜伏空間における薬物誘発摂動を除去する際、プレトリート発現プロファイルを再構築するよう強制され、一方スマイルスネットは、薬物様分子を生成するために所望の発現プロファイルによって通知される。 我々の実証実験では、SmilesGENは、高い妥当性、特異性、新規性、および関連するタンパク質を標的とする既知のリガンドと高い谷本類似性を持つ分子の生成において、現在の最先端モデルよりも優れていることを示した。 さらに,スキャフォールドを用いた分子最適化および治療薬生成のためのSmilesGENの評価を行い,承認薬物との類似性が高い分子生成における優れた性能を確認した。 スマイルスゲンは、遺伝子シグネチャを利用して、望ましい細胞性形質変化を誘導する有望なポテンシャルを持つ薬物様分子を生成する堅牢な枠組みを確立する。

関連論文リスト

• Improved Molecular Generation through Attribute-Driven Integrative Embeddings and GAN Selectivity [0.0]
  本稿では,変圧器を用いたベクトル埋め込みジェネレータとGAN(Generative Adrialversa Network)を併用して,所望の特性を持つ分子を生成する手法を提案する。 埋め込みジェネレータは、モーガンの指紋とグローバルな分子特性を統合する新しい分子記述子を利用する。 この手法は、ラベル付き臭気成分と非臭気化合物のデータセットを用いて、新規な臭気分子を生成することによって検証される。
  論文  参考訳（メタデータ） (2025-04-26T22:15:25Z)
• GenMol: A Drug Discovery Generalist with Discrete Diffusion [43.29814519270451]
  Generalist Molecular Generative Model (GenMol) は、多種多様な薬物発見シナリオを扱うために単一の離散拡散モデルのみを使用する汎用的なフレームワークである。 GenMolは、非自己回帰的双方向並列デコードにより、シーケンスアタッチメントベースのフラグメント埋め込みシーケンスを生成する。
  論文  参考訳（メタデータ） (2025-01-10T18:30:05Z)
• De Novo Generation of Hit-like Molecules from Gene Expression Profiles via Deep Learning [3.9518122220368905]
  生体活性と薬物様特性を有する新しい分子を生成するために,ハイブリッドニューラルネットワーク HNN2Mol を提案する。 実験およびケーススタディにより、提案されたHNN2Molモデルが、潜在的な生物活性と薬物様の性質を持つ新しい分子を生成できることが示されている。
  論文  参考訳（メタデータ） (2024-12-27T03:16:56Z)
• Fragment-Masked Diffusion for Molecular Optimization [71.13210858056527]
  表現型薬物発見(PDD)に基づくフラグメントマインド分子最適化法を提案する。 PDDに基づく分子最適化は、表現型活性を最適化しながら潜在的な安全性リスクを低減し、臨床成功の可能性を高める。 総合的な実験により、シリカ内最適化の成功率は95.4%に達し、平均効率は7.5%上昇した。
  論文  参考訳（メタデータ） (2024-08-17T06:00:58Z)
• Cell Morphology-Guided Small Molecule Generation with GFlowNets [41.8027680592766]
  本稿では,GFlowNetsの報酬として潜在類似性を定義するために,教師なしマルチモーダルジョイント埋め込みを提案する。 提案したモデルでは、与えられた画像ターゲットと類似した表現型効果を生じさせる新しい分子の生成を学習する。 提案手法は, ターゲットに高い形態的, 構造的類似性を有する分子を生成し, 類似した生物活性の可能性が高まることを示した。
  論文  参考訳（メタデータ） (2024-08-09T17:40:35Z)
• 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)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• SILVR: Guided Diffusion for Molecule Generation [0.0]
  本稿では,既存の生成モデルを再学習せずに条件付けする機械学習手法を提案する。 このモデルでは、フラグメントヒットに基づいてタンパク質の結合部位に適合する新しい分子を生成することができる。 我々は、中程度のSILVR速度により、元の断片と類似した形状の新しい分子を生成できることを示した。
  論文  参考訳（メタデータ） (2023-04-21T11:47:38Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• 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)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。