論文の概要: Toward Routine CSP of Pharmaceuticals: A Fully Automated Protocol Using Neural Network Potentials

• arxiv url: http://arxiv.org/abs/2507.16218v1
• Date: Tue, 22 Jul 2025 04:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:13.96067
• Title: Toward Routine CSP of Pharmaceuticals: A Fully Automated Protocol Using Neural Network Potentials
• Title（参考訳）: 医薬品のルーチンCSPに向けて:ニューラルネットワークを用いた完全自動化プロトコル
• Authors: Zachary L. Glick, Derek P. Metcalf, Scott F. Swarthout,
• Abstract要約: 結晶構造予測(CSP)は、多型に関連するリスクを特定し評価するための医薬品開発において有用なツールである。 本稿では,これらの障壁を克服するために,完全自動化された高スループットCSPプロトコルを提案する。 プロトコルの効率は、新しいニューラルネットワークポテンシャル(NNP)であるLavo-NNによって駆動される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crystal structure prediction (CSP) is a useful tool in pharmaceutical development for identifying and assessing risks associated with polymorphism, yet widespread adoption has been hindered by high computational costs and the need for both manual specification and expert knowledge to achieve useful results. Here, we introduce a fully automated, high-throughput CSP protocol designed to overcome these barriers. The protocol's efficiency is driven by Lavo-NN, a novel neural network potential (NNP) architected and trained specifically for pharmaceutical crystal structure generation and ranking. This NNP-driven crystal generation phase is integrated into a scalable cloud-based workflow. We validate this CSP protocol on an extensive retrospective benchmark of 49 unique molecules, almost all of which are drug-like, successfully generating structures that match all 110 $Z' = 1$ experimental polymorphs. The average CSP in this benchmark is performed with approximately 8.4k CPU hours, which is a significant reduction compared to other protocols. The practical utility of the protocol is further demonstrated through case studies that resolve ambiguities in experimental data and a semi-blinded challenge that successfully identifies and ranks polymorphs of three modern drugs from powder X-ray diffraction patterns alone. By significantly reducing the required time and cost, the protocol enables CSP to be routinely deployed earlier in the drug discovery pipeline, such as during lead optimization. Rapid turnaround times and high throughput also enable CSP that can be run in parallel with experimental screening, providing chemists with real-time insights to guide their work in the lab.
• Abstract（参考訳）: 結晶構造予測(CSP)は多型関連リスクの特定と評価のための医薬品開発において有用なツールであるが、高い計算コストと手動仕様と専門知識の両方の必要性により広く採用されている。 本稿では,これらの障壁を克服するために,完全自動化された高スループットCSPプロトコルを提案する。 プロトコルの効率は、新しいニューラルネットワークポテンシャル(NNP)であるLavo-NNによって駆動される。 このNP駆動結晶生成フェーズは、スケーラブルなクラウドベースのワークフローに統合される。 我々は、このCSPプロトコルを、49個のユニークな分子からなる広範な振り返りベンチマークで検証し、そのほとんどは薬物様で、110$Z' = 1$の実験ポリモルフィックに一致する構造を生成することに成功した。 このベンチマークの平均CSPは約8.4kのCPU時間で実行され、他のプロトコルと比べて大幅に削減されている。 このプロトコルの実用性は、実験データのあいまいさを解消するケーススタディと、粉末X線回折パターンのみから3種類の近代薬の多形を識別し、ランク付けする半盲検挑戦によってさらに実証される。 必要な時間とコストを大幅に削減することで、CSPは、リード最適化などの薬物発見パイプラインにおいて、より早く定期的にデプロイできる。 高速なターンアラウンド時間と高いスループットは、実験的なスクリーニングと並行して実行できるCSPを可能にし、化学者が研究室での作業をガイドするためのリアルタイムな洞察を提供する。

関連論文リスト

• FastCSP: Accelerated Molecular Crystal Structure Prediction with Universal Model for Atoms [21.170799561884035]
  FastCSPは、機械学習の原子間ポテンシャルに基づくオープンソースのCrystal Structure Predictionワークフローである。 FastCSPは、既知の実験構造を一貫して生成し、それらを世界最小の分子あたり5kJ/molにランク付けする。 その結果,MLIPはシステム固有のチューニングを必要とせず,多様な化合物にまたがって利用できることがわかった。
  論文  参考訳（メタデータ） (2025-08-04T17:25:55Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• Leveraging Partial SMILES Validation Scheme for Enhanced Drug Design in Reinforcement Learning Frameworks [8.498666820216066]
  本稿では,PSV-PPO(Partial SMILES Validation-PPO)を提案する。 PSV-PPOは、選択されたトークン候補だけでなく、前の部分シーケンスから派生したすべての電位分岐を評価し、各自己回帰ステップで段階的に検証する。 PMO と GuacaMol のベンチマークデータセットを用いた実験により,PSV-PPO が不正な生成構造を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2025-05-01T13:57:20Z)
• LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
  ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。 PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
  論文  参考訳（メタデータ） (2025-04-24T22:27:50Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Integration of Domain Expert-Centric Ontology Design into the CRISP-DM for Cyber-Physical Production Systems [45.05372822216111]
  機械学習(ML)とデータマイニング(DM)の手法は、収集されたデータから複雑で隠れたパターンを抽出する上で有望であることが証明されている。 しかし、このようなデータ駆動プロジェクトは、通常、CRISPDM(Cross-Industry Standard Process for Data Mining)で実行され、データの理解と準備に要する時間の不均等さのために失敗することが多い。 このコントリビューションは、データサイエンティストがCPPSの課題に対してより迅速かつ確実に洞察を得ることができるように、統合されたアプローチを提供することを目的としている。
  論文  参考訳（メタデータ） (2023-07-21T15:04:00Z)
• 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)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)
• 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)
• Automated Deep Abstractions for Stochastic Chemical Reaction Networks [0.0]
  低レベル化学反応ネットワーク(CRN)モデルは高次元連続時間マルコフ連鎖(CTMC)を生じさせる 最近提案された抽象化手法では,このCTMCを離散時間連続空間プロセスに置き換えるためにディープラーニングを用いる。 本稿では、最適なニューラルネットワークアーキテクチャを学習することで、CRNの深い抽象化をさらに自動化することを提案する。
  論文  参考訳（メタデータ） (2020-01-30T13:49:58Z)

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。