論文の概要: Augmenting generative models with biomedical knowledge graphs improves targeted drug discovery

• arxiv url: http://arxiv.org/abs/2510.09914v1
• Date: Fri, 10 Oct 2025 23:18:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.690595
• Title: Augmenting generative models with biomedical knowledge graphs improves targeted drug discovery
• Title（参考訳）: バイオメディカル知識グラフを用いた生成モデルの強化は、標的薬物発見を改善する
• Authors: Aditya Malusare, Vineet Punyamoorty, Vaneet Aggarwal,
• Abstract要約: K-DREAM(Knowledge-Driven Embedding-Augmented Model)は、知識グラフを活用する新しいフレームワークである。 大規模知識グラフからの構造化情報を埋め込むことで、K-DREAMは高い生物学的関連性と治療適性を有する候補に分子生成を誘導する。 薬物設計タスクにおいて、K-DREAMは結合親和性を改善し、現在の最先端の生成モデルを上回る効果を予測できる薬物候補を生成する。
• 参考スコア（独自算出の注目度）: 41.64418624570687
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent breakthroughs in generative modeling have demonstrated remarkable capabilities in molecular generation, yet the integration of comprehensive biomedical knowledge into these models has remained an untapped frontier. In this study, we introduce K-DREAM (Knowledge-Driven Embedding-Augmented Model), a novel framework that leverages knowledge graphs to augment diffusion-based generative models for drug discovery. By embedding structured information from large-scale knowledge graphs, K-DREAM directs molecular generation toward candidates with higher biological relevance and therapeutic suitability. This integration ensures that the generated molecules are aligned with specific therapeutic targets, moving beyond traditional heuristic-driven approaches. In targeted drug design tasks, K-DREAM generates drug candidates with improved binding affinities and predicted efficacy, surpassing current state-of-the-art generative models. It also demonstrates flexibility by producing molecules designed for multiple targets, enabling applications to complex disease mechanisms. These results highlight the utility of knowledge-enhanced generative models in rational drug design and their relevance to practical therapeutic development.
• Abstract（参考訳）: 生成モデリングの最近の進歩は、分子生成において顕著な能力を示しているが、これらのモデルに包括的生体医学的知識を統合することは、未完成のフロンティアのままである。 本研究では,K-DREAM(Knowledge-Driven Embedding-Augmented Model)を紹介する。 大規模知識グラフからの構造化情報を埋め込むことで、K-DREAMは高い生物学的関連性と治療適性を有する候補に分子生成を誘導する。 この統合により、生成された分子は特定の治療対象と整合し、従来のヒューリスティックなアプローチを超えることが保証される。 薬物設計タスクにおいて、K-DREAMは結合親和性を改善し、現在の最先端の生成モデルを上回る効果を予測できる薬物候補を生成する。 また、複数の標的に設計された分子を生産することで柔軟性を示し、複雑な疾患機構への応用を可能にする。 これらの結果は、合理的薬物設計における知識強化生成モデルの有用性と、その実践的治療開発との関連性を強調している。

関連論文リスト

• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• 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)
• Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks [0.0]
  我々は、純粋にデータ駆動型ニューラルネットワークモデルであるPKINNを紹介する。 PKINNは、本質的なマルチコンパートメントベースの薬理学構造を効率的に発見し、モデル化する。 得られたモデルは、シンボリック回帰法によって解釈可能であり、説明可能である。
  論文  参考訳（メタデータ） (2024-04-30T19:31:31Z)
• Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation [9.442146563809953]
  本研究では, 標的親和性, 薬物類似性, 合成性に関連する目的を組み込んだ, 汎用的な「プラグイン」分子生成モデルを構築した。 我々はPSO-ENPを多目的分子生成と最適化のための最適変種として同定する。
  論文  参考訳（メタデータ） (2024-04-10T02:37:24Z)
• Improving Molecule Generation and Drug Discovery with a Knowledge-enhanced Generative Model [33.38582292895673]
  我々はKARLと呼ばれる知識強化型生成モデルのためのフレームワークを開発する。 意味的整合性を保ちながら知識グラフの機能を拡張し、このコンテキスト情報を生成フレームワークに組み込む。 KARLは、非条件およびターゲット生成タスクの両方において、最先端の生成モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-13T20:58:36Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• 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)
• Visualizing Deep Graph Generative Models for Drug Discovery [16.78530326723672]
  深部グラフ生成モデルの符号化・復号過程において生成する分子を可視化する可視化フレームワークを提案する。 私たちの研究は、ブラックボックスAIによる薬物発見モデルに視覚的解釈能力を持たせることを目的としています。
  論文  参考訳（メタデータ） (2020-07-20T18:49:10Z)

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。