論文の概要: Pharmacophore-based design by learning on voxel grids

• arxiv url: http://arxiv.org/abs/2512.02031v1
• Date: Wed, 19 Nov 2025 17:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.421652
• Title: Pharmacophore-based design by learning on voxel grids
• Title（参考訳）: ボクセルグリッドの学習による薬理作用に基づく設計
• Authors: Omar Mahmood, Pedro O. Pinheiro, Richard Bonneau, Saeed Saremi, Vishnu Sresht,
• Abstract要約: リガンドをベースとした薬物発見は、タンパク質標的に既知のバインダーを用いることで、構造的に多様な分子が結合する可能性がある。 1つの一般的なアプローチは、既知のバインダーの薬胞-形状プロファイルを、ライブラリ分子毎に列挙された3Dコンフォメーションにオーバーレイし、オーバーラップを計算し、高いオーバーラップを持つ多様なライブラリ分子のセットを選択することである。 本稿では,従来の製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社製薬会社社製薬会社社製薬会社社社製の
• 参考スコア（独自算出の注目度）: 9.55984245236999
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ligand-based drug discovery (LBDD) relies on making use of known binders to a protein target to find structurally diverse molecules similarly likely to bind. This process typically involves a brute force search of the known binder (query) against a molecular library using some metric of molecular similarity. One popular approach overlays the pharmacophore-shape profile of the known binder to 3D conformations enumerated for each of the library molecules, computes overlaps, and picks a set of diverse library molecules with high overlaps. While this virtual screening workflow has had considerable success in hit diversification, scaffold hopping, and patent busting, it scales poorly with library sizes and restricts candidate generation to existing library compounds. Leveraging recent advances in voxel-based generative modelling, we propose a pharmacophore-based generative model and workflows that address the scaling and fecundity issues of conventional pharmacophore-based virtual screening. We introduce \emph{VoxCap}, a voxel captioning method for generating SMILES strings from voxelised molecular representations. We propose two workflows as practical use cases as well as benchmarks for pharmacophore-based generation: \emph{de-novo} design, in which we aim to generate new molecules with high pharmacophore-shape similarities to query molecules, and fast search, which aims to combine generative design with a cheap 2D substructure similarity search for efficient hit identification. Our results show that VoxCap significantly outperforms previous methods in generating diverse \textit{de-novo} hits. When combined with our fast search workflow, VoxCap reduces computational time by orders of magnitude while returning hits for all query molecules, enabling the search of large libraries that are intractable to search by brute force.
• Abstract（参考訳）: リガンドをベースとした薬物発見(LBDD)は、タンパク質標的に既知のバインダーを使用することで、構造的に多様な分子が結合する可能性がある。 この過程は典型的には、既知のバインダー(クエリ)を分子ライブラリーに対して、いくつかの分子類似性の計量を用いてブルート力で探索する。 1つの一般的なアプローチは、既知のバインダーの薬胞-形状プロファイルを、ライブラリ分子毎に列挙された3Dコンフォメーションにオーバーレイし、オーバーラップを計算し、高いオーバーラップを持つ多様なライブラリ分子のセットを選択することである。 この仮想スクリーニングワークフローは、多様化、足場ホッピング、特許のバッティングにかなりの成功を収めてきたが、ライブラリサイズに乏しく、既存のライブラリ化合物に候補生成を制限している。 本稿では,voxelベースの生成モデリングの最近の進歩を生かして,従来の製薬会社による仮想スクリーニングのスケーリングとフェクンダリティ問題に対処する製薬会社ベースの生成モデルとワークフローを提案する。 本稿では,ボクセル化分子表現からSMILES文字列を生成するボクセルキャプション法である \emph{VoxCap} を紹介する。 提案手法は, 創製設計と低コストな2次元サブ構造類似性探索を併用し, 効率的なヒット同定を実現するために, 創製設計と2次元サブ構造類似性探索を併用した高速探索と, 問合せ分子との類似性の高い新規分子の生成を目標とする。 以上の結果から,VoxCapは従来のメソッドよりも多種多様な‘textit{de-novo}ヒットの生成に優れていたことが示唆された。 我々の高速検索ワークフローと組み合わせると、VoxCapは全てのクエリ分子のヒットを返却しながら、桁違いの計算時間を削減し、ブルートフォースで検索できる大きなライブラリの検索を可能にします。

関連論文リスト

• Bioptic B1: A Target-Agnostic Potency-Based Small Molecules Search Engine [0.0]
  我々は,標的に依存せず有効性に基づく分子探索モデルを開発した。 超大型の40B Enamine REALライブラリを100%リコールレートでスクリーニングした。 我々は、新しい分子の速度性能と検索品質の両面において、我々のモデルと最先端モデルのベンチマークを行った。
  論文  参考訳（メタデータ） (2024-06-13T17:53:29Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• PharmacoNet: Accelerating Large-Scale Virtual Screening by Deep Pharmacophore Modeling [0.0]
  我々は,この課題に対処するために,構造に基づく薬剤師範モデリングのためのディープラーニングフレームワークを初めて記述する。 PharmacoNetは最先端の構造に基づくアプローチよりもはるかに高速だが、単純なスコアリング機能では合理的に正確である。
  論文  参考訳（メタデータ） (2023-10-01T14:13:09Z)
• An efficient graph generative model for navigating ultra-large combinatorial synthesis libraries [1.5495593104596397]
  仮想的でオンデマンドな化学ライブラリーは、化学空間の広大な合成可能な領域をアンロックすることで、早期の薬物発見を変革した。 近年、これらの図書館は数百万から数兆の化合物から急速に成長し、様々な治療標的に対する、発見されていない強力なヒットを隠蔽している。 本稿では,これらの課題を克服するために, Combinatorial Synthesis Library Variational Auto-Encoder (CSLVAE)を提案する。
  論文  参考訳（メタデータ） (2022-10-19T15:43:13Z)
• 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)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。