論文の概要: ExMolRL: Phenotype-Target Joint Generation of De Novo Molecules via Multi-Objective Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2509.21010v1
• Date: Thu, 25 Sep 2025 11:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.860137
• Title: ExMolRL: Phenotype-Target Joint Generation of De Novo Molecules via Multi-Objective Reinforcement Learning
• Title（参考訳）: ExMolRL:多目的強化学習によるデノボ分子のPhenotype-Targetジョイント生成
• Authors: Haotian Guo, Hui Liu,
• Abstract要約: ExMoIRLは、デノボ分子生成のための表現型および標的特異的なキューを統合する新しい生成フレームワークである。 ドッキング親和性と薬物類似度スコアを融合させ、ランキング損失、前装正規化、エントロピーを増強する。 大規模な実験では、ExMoIRLは最先端およびターゲットベースモデルよりも優れた性能を示している。
• 参考スコア（独自算出の注目度）: 4.998189068886174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The generation of high-quality candidate molecules remains a central challenge in AI-driven drug design. Current phenotype-based and target-based strategies each suffer limitations, either incurring high experimental costs or overlook system-level cellular responses. To bridge this gap, we propose ExMoIRL, a novel generative framework that synergistically integrates phenotypic and target-specific cues for de novo molecular generation. The phenotype-guided generator is first pretrained on expansive drug-induced transcriptional profiles and subsequently fine-tuned via multi-objective reinforcement learning (RL). Crucially, the reward function fuses docking affinity and drug-likeness scores, augmented with ranking loss, prior-likelihood regularization, and entropy maximization. The multi-objective RL steers the model toward chemotypes that are simultaneously potent, diverse, and aligned with the specified phenotypic effects. Extensive experiments demonstrate ExMoIRL's superior performance over state-of-the-art phenotype-based and target-based models across multiple well-characterized targets. Our generated molecules exhibit favorable drug-like properties, high target affinity, and inhibitory potency (IC50) against cancer cells. This unified framework showcases the synergistic potential of combining phenotype-guided and target-aware strategies, offering a more effective solution for de novo drug discovery.
• Abstract（参考訳）: 高品質な候補分子の生成は、AI駆動の薬物設計において依然として中心的な課題である。 現在の表現型ベースの戦略とターゲットベースの戦略は、それぞれ高い実験コストを発生させるか、システムレベルの細胞応答を見落としている。 このギャップを埋めるために,デノボ分子生成のための表現型および標的特異的な手がかりを相乗的に統合する新規な生成フレームワークであるExMoIRLを提案する。 表現型誘導ジェネレータは、まず、拡張性薬物誘発転写プロファイルに事前訓練され、その後、多目的強化学習(RL)を介して微調整される。 重要な点として、報酬関数はドッキング親和性と薬物類似度スコアを融合させ、ランキング損失、前様規則化、エントロピー最大化を増大させる。 多目的RLは、特定の表現型効果と同時に強力で多様で整合した化学タイプに対してモデルを操る。 広範囲な実験により、ExMoIRLは、最先端の表現型ベースおよびターゲットベースモデルよりも、複数の良好な目標に対して優れた性能を示す。 生成分子は, 癌細胞に対する薬剤様特性, 高い標的親和性, 抑制作用(IC50)を示す。 この統合された枠組みは、表現型誘導と標的認識の戦略を組み合わせた相乗的可能性を示し、デ・ノボの薬物発見のためのより効果的な解決策を提供する。

関連論文リスト

• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• 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。 GenMol は、de novo 生成とフラグメント制約生成において、以前の GPT ベースモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-10T18:30:05Z)
• 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)
• Guided Multi-objective Generative AI to Enhance Structure-based Drug Design [0.0]
  構造に基づく医薬品設計のための拡散と多目的最適化を組み合わせた生成化学AIであるIDOLproについて述べる。 IDOLproは、各テストセットにおける次の最先端メソッドよりも10%から20%以上の結合親和性で生成する。 我々は、IDOLproが、仮想スクリーンにあるどの分子よりも結合親和性と合成アクセシビリティが良く、様々な重要な疾患関連ターゲットの分子を生成できることを示した。
  論文  参考訳（メタデータ） (2024-05-20T05:08:55Z)
• 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。