論文の概要: Pharmacophore-Guided Generative Design of Novel Drug-Like Molecules

• arxiv url: http://arxiv.org/abs/2510.01480v1
• Date: Wed, 01 Oct 2025 21:45:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.887828
• Title: Pharmacophore-Guided Generative Design of Novel Drug-Like Molecules
• Title（参考訳）: 薬物様新規分子の薬理学誘導による創製
• Authors: Ekaterina Podplutova, Anastasia Vepreva, Olga A. Konovalova, Vladimir Vinogradov, Dmitrii O. Shkil, Andrei Dmitrenko,
• Abstract要約: 本稿では, 活性分子の構造的多様性と参照化合物との類似性をバランスさせる新しい生成機構を提案する。 乳がんに対するエストロゲン受容体調節薬およびアンタゴニストを標的とした症例研究を通じて,その適用性を示す。
• 参考スコア（独自算出の注目度）: 1.8472148461613156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of artificial intelligence (AI) in early-stage drug discovery offers unprecedented opportunities for exploring chemical space and accelerating hit-to-lead optimization. However, docking optimization in generative approaches is computationally expensive and may lead to inaccurate results. Here, we present a novel generative framework that balances pharmacophore similarity to reference compounds with structural diversity from active molecules. The framework allows users to provide custom reference sets, including FDA-approved drugs or clinical candidates, and guides the \textit{de novo} generation of potential therapeutics. We demonstrate its applicability through a case study targeting estrogen receptor modulators and antagonists for breast cancer. The generated compounds maintain high pharmacophoric fidelity to known active molecules while introducing substantial structural novelty, suggesting strong potential for functional innovation and patentability. Comprehensive evaluation of the generated molecules against common drug-like properties confirms the robustness and pharmaceutical relevance of the approach.
• Abstract（参考訳）: アーリーステージの薬物発見における人工知能(AI)の統合は、化学空間を探索し、ヒット・ツー・リード最適化を加速する前例のない機会を提供する。 しかし、生成的アプローチにおけるドッキング最適化は計算コストが高く、不正確な結果をもたらす可能性がある。 ここでは, 活性分子の構造的多様性と参照化合物との類似性をバランスさせる新しい生成機構を提案する。 このフレームワークは、FDAが承認した薬物や臨床候補を含むカスタムリファレンスセットを提供し、潜在的な治療薬の『textit{de novo}』生成をガイドする。 乳がんに対するエストロゲン受容体調節薬およびアンタゴニストを標的とした症例研究を通じて,その適用性を示す。 生成した化合物は、既知の活性分子に対して高い薬理不均一性を保ちながら、実質的な構造的新規性を導入し、機能的革新と特許可能性の強い可能性を示唆している。 生成分子の一般的な薬物的性質に対する包括的評価は、アプローチの堅牢性と薬理学的妥当性を裏付けるものである。

関連論文リスト

• QCA-MolGAN: Quantum Circuit Associative Molecular GAN with Multi-Agent Reinforcement Learning [2.2463678997251604]
  この研究は、QCA-MolGAN(英語版)と呼ばれる新しい量子回路Born Machine(英語版) (QCBM) を利用した創発的アドリバーサネットワーク(英語版) (GAN) を提案し、薬物のような分子を生成する。 QCBMは学習可能な事前分布として機能し、GANS識別器が取得した高次特徴と整合した潜在空間を定義するために連想的に訓練される。 分子生成を目的とする目的特性を導出するために,新しいマルチエージェント強化学習ネットワークを統合する。
  論文  参考訳（メタデータ） (2025-09-05T12:31:58Z)
• Pharmacophore-Conditioned Diffusion Model for Ligand-Based De Novo Drug Design [0.0]
  本稿では3次元分子生成のための薬理泳動条件拡散モデルであるPharmaDiffについて述べる。 PharmaDiffは3D薬局の原子ベースの表現を生成過程に統合するためにトランスフォーマーベースのアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-05-15T17:54:29Z)
• DrugGen: Advancing Drug Discovery with Large Language Models and Reinforcement Learning Feedback [0.0]
  DrugGen は DrugGPT 構造に基づく拡張モデルである。 承認された薬物と標的の相互作用を微調整し、近似ポリシー最適化に最適化されている。 高品質の小さな分子を生産することで、薬学研究と薬物発見を進めるための高性能な媒体を提供する。
  論文  参考訳（メタデータ） (2024-11-20T01:21:07Z)
• 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)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Mitigating Molecular Aggregation in Drug Discovery with Predictive Insights from Explainable AI [0.5242869847419834]
  我々は、我々の説明可能なAI(xAI)モデルであるMEGANの小さなコロイド凝集分子(SCAM)の同定への応用について述べる。 この研究は、薬物発見のための高スループットスクリーニングにおいてSCAMによって引き起こされる偽陽性の長年の問題に対する解決策を提供する。
  論文  参考訳（メタデータ） (2023-06-03T22:30:45Z)
• 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)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• 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。