Fugu-MT 論文翻訳(概要): A Collaborative Framework Integrating Large Language Model and Chemical Fragment Space: Mutual Inspiration for Lead Design

論文の概要: A Collaborative Framework Integrating Large Language Model and Chemical Fragment Space: Mutual Inspiration for Lead Design

arxiv url: http://arxiv.org/abs/2507.13580v2
Date: Tue, 22 Jul 2025 02:22:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-23 13:10:14.721861
Title: A Collaborative Framework Integrating Large Language Model and Chemical Fragment Space: Mutual Inspiration for Lead Design
Title（参考訳）: 大規模言語モデルと化学フラグメント空間を統合する協調フレームワーク:リード設計のための相互呼吸
Authors: Hao Tuo, Yan Li, Xuanning Hu, Haishi Zhao, Xueyan Liu, Bo Yang,
Abstract要約: AutoLeadDesignは、化学フラグメントを持つ大規模言語モデルでエンコードされた広範なドメイン知識を刺激する鉛化合物設計フレームワークである。 2つの臨床関連ターゲット(PRMT5とSARS-CoV-2 PLpro)をターゲットにした実験的な鉛設計キャンペーンは、リード化合物のデノボ生成におけるAutoLeadDesignの能力を示している。設計プロセスのトレースにより、AutoLeadDesignは、伝統的に専門家の意思決定に依存しているフラグメントベースのドラッグデザインと類似したメカニズムを共有していることがわかった。
参考スコア（独自算出の注目度）: 4.462500555210365
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Combinatorial optimization algorithm is essential in computer-aided drug design by progressively exploring chemical space to design lead compounds with high affinity to target protein. However current methods face inherent challenges in integrating domain knowledge, limiting their performance in identifying lead compounds with novel and valid binding mode. Here, we propose AutoLeadDesign, a lead compounds design framework that inspires extensive domain knowledge encoded in large language models with chemical fragments to progressively implement efficient exploration of vast chemical space. The comprehensive experiments indicate that AutoLeadDesign outperforms baseline methods. Significantly, empirical lead design campaigns targeting two clinically relevant targets (PRMT5 and SARS-CoV-2 PLpro) demonstrate AutoLeadDesign's competence in de novo generation of lead compounds achieving expert-competitive design efficacy. Structural analysis further confirms their mechanism-validated inhibitory patterns. By tracing the process of design, we find that AutoLeadDesign shares analogous mechanisms with fragment-based drug design which traditionally rely on the expert decision-making, further revealing why it works. Overall, AutoLeadDesign offers an efficient approach for lead compounds design, suggesting its potential utility in drug design.
Abstract（参考訳）: 組合せ最適化アルゴリズムは、標的タンパク質に高い親和性を持つ鉛化合物を設計するために、化学空間を段階的に探索することによって、コンピュータ支援薬物設計において不可欠である。しかし、現在のメソッドはドメイン知識の統合において固有の課題に直面し、新規で有効な結合モードで鉛化合物を識別する際のパフォーマンスを制限します。本稿では,化学フラグメントを持つ大規模言語モデルで符号化された広範なドメイン知識を刺激し,化学空間の効率的な探索を段階的に実施する,リード化合物設計フレームワークであるAutoLeadDesignを提案する。包括的な実験は、AutoLeadDesignがベースラインメソッドより優れていることを示している。臨床的に関係のある2つのターゲット(PRMT5とSARS-CoV-2 PLpro)をターゲットにした実証的な鉛設計キャンペーンは、専門家と競争的な設計効果を達成する鉛化合物のデノボ生成におけるAutoLeadDesignの能力を示す。構造解析は、そのメカニズムに有意な阻害パターンをさらに確認する。設計プロセスのトレースによって、AutoLeadDesignは、伝統的に専門家による意思決定に依存しているフラグメントベースのドラッグデザインと類似したメカニズムを共有しており、なぜそれが機能するのかを明らかにしている。全体として、AutoLeadDesignは鉛化合物の設計に効率的なアプローチを提供しており、薬物設計におけるその潜在的有用性を示唆している。

関連論文リスト

CRPS-Based Targeted Sequential Design with Application in Chemical Space [0.22499166814992438]
我々は、関心の反応の予め定義された範囲内で正確である必要があるGPモデルの獲得戦略に焦点をあてる。 2つの異なる重み付け尺度に依拠して、ポイントワイドおよびインテリジェンス基準を研究し、競合相手に対してそれらをベンチマークする。得られた獲得戦略は、幅広い分野に適用され、スコアリングルールに依存したシーケンシャルな設計をさらに発展させる道を開く。
論文参考訳（メタデータ） (2025-03-14T10:00:24Z)
LLM-USO: Large Language Model-based Universal Sizing Optimizer [4.223946773134886]
本稿では,構造化テキスト形式で回路設計知識を符号化する知識表現手法を提案する。この表現は、類似のサブ構造を持つ回路の最適化インサイトを体系的に再利用することを可能にする。 i)ドメイン固有の知識をBOプロセスに注入し、(ii)回路間の知識伝達を促進し、専門家デザイナーの認知戦略を反映する。
論文参考訳（メタデータ） (2025-02-04T23:08:03Z)
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)
ADO-LLM: Analog Design Bayesian Optimization with In-Context Learning of Large Language Models [5.642568057913696]
本稿では,大規模言語モデル(LLM)とベイジアン最適化を統合したアナログ設計最適化手法であるADO-LLMを提案する。 ADO-LLMは、LLMのドメイン知識を注入して実行可能な設計ポイントを迅速に生成し、高価値な設計領域を見つけるためのBOの非効率性を改善する能力を活用している。提案手法を2種類のアナログ回路上で評価し,設計効率と性能の顕著な向上を実証した。
論文参考訳（メタデータ） (2024-06-26T21:42:50Z)
Deep Lead Optimization: Leveraging Generative AI for Structural Modification [12.167178956742113]
このレビューでは、基本的な概念、目標、従来のCADD技術、最近のAIDDの進歩について論じる。制約付きサブグラフ生成に基づく統一的な視点を導入し,デノボ設計とリード最適化の方法論を調和させる。
論文参考訳（メタデータ） (2024-04-30T03:17:42Z)
Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文参考訳（メタデータ） (2024-01-24T01:33:39Z)
Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文参考訳（メタデータ） (2022-11-29T17:28:31Z)
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)
Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
論文参考訳（メタデータ） (2022-04-15T20:40:43Z)
Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。本稿では,分子設計のための新しい強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-04-29T16:29:28Z)
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。