論文の概要: ActivityDiff: A diffusion model with Positive and Negative Activity Guidance for De Novo Drug Design

• arxiv url: http://arxiv.org/abs/2508.06364v1
• Date: Fri, 08 Aug 2025 14:48:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.270294
• Title: ActivityDiff: A diffusion model with Positive and Negative Activity Guidance for De Novo Drug Design
• Title（参考訳）: ActivityDiff:De Novoドラッグデザインのためのポジティブかつネガティブなアクティビティガイダンス付き拡散モデル
• Authors: Renyi Zhou, Huimin Zhu, Jing Tang, Min Li,
• Abstract要約: ActivityDiffは拡散モデルの分類器誘導技術に基づく生成的アプローチである。 その結果,ActivityDiffは重要な薬物設計タスクを効果的に処理することがわかった。
• 参考スコア（独自算出の注目度）: 4.559035716082382
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Achieving precise control over a molecule's biological activity-encompassing targeted activation/inhibition, cooperative multi-target modulation, and off-target toxicity mitigation-remains a critical challenge in de novo drug design. However, existing generative methods primarily focus on producing molecules with a single desired activity, lacking integrated mechanisms for the simultaneous management of multiple intended and unintended molecular interactions. Here, we propose ActivityDiff, a generative approach based on the classifier-guidance technique of diffusion models. It leverages separately trained drug-target classifiers for both positive and negative guidance, enabling the model to enhance desired activities while minimizing harmful off-target effects. Experimental results show that ActivityDiff effectively handles essential drug design tasks, including single-/dual-target generation, fragment-constrained dual-target design, selective generation to enhance target specificity, and reduction of off-target effects. These results demonstrate the effectiveness of classifier-guided diffusion in balancing efficacy and safety in molecular design. Overall, our work introduces a novel paradigm for achieving integrated control over molecular activity, and provides ActivityDiff as a versatile and extensible framework.
• Abstract（参考訳）: 分子の生物学的活性の正確な制御、標的の活性化/阻害、協調的多ターゲット調節、標的外毒性の緩和は、デ・ノボの薬物設計において重要な課題である。 しかし、既存の生成法は主に単一目的の活性を持つ分子の生成に重点を置いており、複数の意図的および意図しない分子相互作用を同時に管理するための統合的な機構が欠如している。 本稿では,拡散モデルの分類器誘導手法に基づく生成手法であるActivityDiffを提案する。 薬物標的分類器を別々に訓練し、正と負の両方の誘導を行い、モデルは有害な標的外効果を最小限に抑えながら、望ましい活動を強化することができる。 実験結果から、ActivityDiffは、単一/二重ターゲット生成、断片制約された二重ターゲット設計、ターゲット特異性を高める選択的生成、オフターゲット効果の低減など、重要な薬物設計タスクを効果的に処理できることが示唆された。 これらの結果は分子設計における効率と安全性のバランスにおける分類器誘導拡散の有効性を示す。 本研究は,分子活性の総合的な制御を実現するための新しいパラダイムを導入し,多目的かつ拡張可能なフレームワークとしてActivityDiffを提供する。

関連論文リスト

• 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)
• 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)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• Bridging the gap between target-based and cell-based drug discovery with a graph generative multi-task model [4.917317902787792]
  薬物発見は人間を病気から守る上で極めて重要である。 ターゲットベースのスクリーニングは、過去数十年で最も人気のある新薬開発方法の1つである。 この方法は、標的タンパク質を阻害する候補薬をin vitroで効果的にスクリーニングするが、in vivoで不適切な活性のためにしばしば失敗する。 本研究では,標的の阻害特性と細胞活性特性の両方を有する化合物を同定するグラフ多タスク深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-08-09T02:35:42Z)
• Target-aware Molecular Graph Generation [37.937378787812264]
  そこで我々は,SiamFlowを提案する。これはフローが潜在空間内のターゲットシーケンス埋め込みの分布に適合するように強制する。 具体的には、アライメント損失と一様損失を用いて、ターゲットシーケンスの埋め込みと薬物グラフの埋め込みを合意に導く。 実験により,提案手法は,分子グラフ生成に向けた潜在空間における有意な表現を定量的に学習することを示す。
  論文  参考訳（メタデータ） (2022-02-10T04:31:14Z)
• 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)
• 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)

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。