論文の概要: Active Learning-Guided Seq2Seq Variational Autoencoder for Multi-target Inhibitor Generation

• arxiv url: http://arxiv.org/abs/2506.15309v1
• Date: Wed, 18 Jun 2025 09:39:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.622002
• Title: Active Learning-Guided Seq2Seq Variational Autoencoder for Multi-target Inhibitor Generation
• Title（参考訳）: 多目的インヒビタ生成のためのアクティブラーニングガイド付きSeq2Seq変分オートエンコーダ
• Authors: Júlia Vilalta-Mor, Alexis Molina, Laura Ortega Varga, Isaac Filella-Merce, Victor Guallar,
• Abstract要約: 本稿では,化学多様性,分子品質,多ターゲット親和性のバランスをとるための構造化されたアクティブラーニングパラダイムを提案する。 本手法は, 潜在空間の化学的に実現可能な領域の拡大と, 進行的に制約される分子の相互関係を交互に検討する。 このアクティブラーニングパイプライン内での化学フィルターの慎重なタイミングと戦略的配置は、有益な化学空間の探索を著しく促進することを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Simultaneously optimizing molecules against multiple therapeutic targets remains a profound challenge in drug discovery, particularly due to sparse rewards and conflicting design constraints. We propose a structured active learning (AL) paradigm integrating a sequence-to-sequence (Seq2Seq) variational autoencoder (VAE) into iterative loops designed to balance chemical diversity, molecular quality, and multi-target affinity. Our method alternates between expanding chemically feasible regions of latent space and progressively constraining molecules based on increasingly stringent multi-target docking thresholds. In a proof-of-concept study targeting three related coronavirus main proteases (SARS-CoV-2, SARS-CoV, MERS-CoV), our approach efficiently generated a structurally diverse set of pan-inhibitor candidates. We demonstrate that careful timing and strategic placement of chemical filters within this active learning pipeline markedly enhance exploration of beneficial chemical space, transforming the sparse-reward, multi-objective drug design problem into an accessible computational task. Our framework thus provides a generalizable roadmap for efficiently navigating complex polypharmacological landscapes.
• Abstract（参考訳）: 複数の治療対象に対して同時に分子を最適化することは、薬物発見において大きな課題である。 化学多様性,分子品質,マルチターゲット親和性のバランスを図った反復ループにシーケンス・ツー・シーケンス(Seq2Seq)変分オートエンコーダ(VAE)を組み込んだ構造化能動学習(AL)パラダイムを提案する。 提案手法は, 潜在空間の化学的実現可能な領域の拡大と, 多ターゲットドッキングしきい値の増大に基づく分子の進行的制約を交互に行う。 関連ウイルスの主要プロテアーゼ(SARS-CoV-2,SARS-CoV,MERS-CoV)を標的とした概念実証研究において,本手法は構造的に多様なパンインヒビター候補を効率よく生成する。 このアクティブラーニングパイプライン内での化学フィルタの慎重なタイミングと戦略的配置は、有用な化学空間の探索を著しく促進し、スパース・リワード・マルチオブジェクト・ドラッグデザイン問題を、アクセス可能な計算タスクに変換することを実証する。 このフレームワークは、複雑な多薬学的な景観を効率的にナビゲートするための、一般化可能なロードマップを提供する。

関連論文リスト

• Active Learning on Synthons for Molecular Design [0.0]
  マルチベクトル展開に適用可能な単純なアルゴリズムであるSALSA(Synthon Acquisition)によるスケーラブル能動学習を提案する。 SALSAは、シントーンやフラグメントの選択よりもモデリングと取得を分解することで、プールベースのアクティブな学習を非可算空間に拡張する。 SALSA生成分子は、既知の生物活性と同等の化学的性質を有し、産業主導の生成アプローチよりも多様性と高いスコアを示す。
  論文  参考訳（メタデータ） (2025-05-19T09:48:02Z)
• Collaborative Expert LLMs Guided Multi-Objective Molecular Optimization [51.104444856052204]
  我々は,多目的分子最適化のための協調型大規模言語モデル(LLM)システムであるMultiMolを提案する。 6つの多目的最適化タスクに対する評価において、MultiMolは既存の手法を著しく上回り、82.30%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-03-05T13:47:55Z)
• InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization [77.79862482208326]
  InversionGNNは、多目的薬物発見のための有効だがサンプル効率のよいデュアルパスグラフニューラルネットワーク(GNN)である。 関数群の最適組み合わせに関する知識を得るために,マルチプロパティ予測のためのモデルを訓練する。 そして、学習された化学知識は、インバージョン生成経路が要求される性質を持つ分子を生成するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-03T12:53:36Z)
• Optimized Drug Design using Multi-Objective Evolutionary Algorithms with SELFIES [1.124958340749622]
  この目的のために,多目的進化アルゴリズム,NSGA-II,NSGA-III,MOEA/Dをデプロイする。 QEDとSAのスコアに加えて、GuacaMolベンチマークの多目的タスクセットを用いて化合物を最適化する。
  論文  参考訳（メタデータ） (2024-05-01T09:06:30Z)
• Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine Learning [54.247560894146105]
  短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。 我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
  論文  参考訳（メタデータ） (2022-08-10T13:30:58Z)
• Accelerating Inhibitor Discovery for Multiple SARS-CoV-2 Targets with a Single, Sequence-Guided Deep Generative Framework [47.14853881703749]
  我々は、新規な薬物様阻害剤分子の発見に向けた、単一の深層生成機構の広範な有用性を実証する。 このフレームワークは、ターゲット認識設計を行うために、生成モデルから新規分子をターゲットシーケンス条件でサンプリングする。 最も強力なスパイクRBD阻害剤は、SARS-CoV-2変異株に対して幅広いスペクトル活性を有する稀な非共有結合型抗ウイルス剤として出現した。
  論文  参考訳（メタデータ） (2022-04-19T17:59:46Z)
• Spatial Graph Attention and Curiosity-driven Policy for Antiviral Drug Discovery [4.905176604265767]
  蒸留グラフアテンションポリシーネットワーク(DGAPN)は、新しいグラフ構造化化学表現を生成する。 本稿では,ノード属性とエッジ属性の両方に対する自己アテンションと空間構造を符号化する空間グラフアテンションネットワーク(sGAT)を提案する。 実験では,我々のフレームワークは最先端のアルゴリズムと比較して優れた結果を得た。
  論文  参考訳（メタデータ） (2021-06-04T00:36:47Z)
• Scaffold-constrained molecular generation [0.0]
  SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。 本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
  論文  参考訳（メタデータ） (2020-09-15T15:41:18Z)
• 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)
• 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。