論文の概要: ReACT-Drug: Reaction-Template Guided Reinforcement Learning for de novo Drug Design

• arxiv url: http://arxiv.org/abs/2512.20958v1
• Date: Wed, 24 Dec 2025 05:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.688365
• Title: ReACT-Drug: Reaction-Template Guided Reinforcement Learning for de novo Drug Design
• Title（参考訳）: ReACT-Drug:de novo薬物設計のための反応テンプレート指導型強化学習
• Authors: R Yadunandan, Nimisha Ghosh,
• Abstract要約: 本稿では、強化学習に基づく完全に統合されたターゲットに依存しない分子設計フレームワークであるbfReACT-Drugを紹介する。 このアーキテクチャは、構造生物学、深層表現学習、化学規則を統合し、合理的な薬物設計を自動化し加速する可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.34155322317700576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: De novo drug design is a crucial component of modern drug development, yet navigating the vast chemical space to find synthetically accessible, high-affinity candidates remains a significant challenge. Reinforcement Learning (RL) enhances this process by enabling multi-objective optimization and exploration of novel chemical space - capabilities that traditional supervised learning methods lack. In this work, we introduce \textbf{ReACT-Drug}, a fully integrated, target-agnostic molecular design framework based on Reinforcement Learning. Unlike models requiring target-specific fine-tuning, ReACT-Drug utilizes a generalist approach by leveraging ESM-2 protein embeddings to identify similar proteins for a given target from a knowledge base such as Protein Data Base (PDB). Thereafter, the known drug ligands corresponding to such proteins are decomposed to initialize a fragment-based search space, biasing the agent towards biologically relevant subspaces. For each such fragment, the pipeline employs a Proximal Policy Optimization (PPO) agent guiding a ChemBERTa-encoded molecule through a dynamic action space of chemically valid, reaction-template-based transformations. This results in the generation of \textit{de novo} drug candidates with competitive binding affinities and high synthetic accessibility, while ensuring 100\% chemical validity and novelty as per MOSES benchmarking. This architecture highlights the potential of integrating structural biology, deep representation learning, and chemical synthesis rules to automate and accelerate rational drug design. The dataset and code are available at https://github.com/YadunandanRaman/ReACT-Drug/.
• Abstract（参考訳）: ド・ノボの薬物デザインは、現代の医薬品開発において重要な要素であるが、合成可能な高親和性候補を見つけるために広大な化学領域をナビゲートすることは、依然として重要な課題である。 強化学習(Reinforcement Learning, RL)は、従来の教師あり学習方法に欠けている、新しい化学空間の多目的最適化と探索を可能にすることで、このプロセスを強化する。 本稿では、強化学習に基づく完全に統合されたターゲットに依存しない分子設計フレームワークである「textbf{ReACT-Drug}」を紹介する。 ターゲット特異的な微調整を必要とするモデルとは異なり、ReACT-Drugは、ESM-2タンパク質の埋め込みを利用して、タンパク質データベース(PDB)のような知識ベースから、特定のターゲットの類似したタンパク質を同定する一般的なアプローチを採用している。 その後、これらのタンパク質に対応する既知の薬物リガンドを分解してフラグメントベースの検索空間を初期化し、その薬剤を生物学的に関連するサブスペースにバイアスする。 それぞれの断片に対して、パイプラインはケムベルタエンコードされた分子を化学的に有効な反応テンプレートベースの変換の動的作用空間を通して導くPPO(Proximal Policy Optimization)エージェントを使用する。 この結果, 競合結合親和性と高い合成アクセシビリティを有する薬物候補が生成され, MOSESベンチマークの100倍の化学的妥当性と新規性が保証された。 このアーキテクチャは、構造生物学、深層表現学習、化学合成規則を統合する可能性を強調し、合理的な薬物設計を自動化し、加速する。 データセットとコードはhttps://github.com/YadunandanRaman/ReACT-Drug/で公開されている。

関連論文リスト

• Pharmacophore-Guided Generative Design of Novel Drug-Like Molecules [1.8472148461613156]
  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。
  論文  参考訳（メタデータ） (2025-10-01T21:45:58Z)
• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
  薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。 このシステムは、化合物のような薬物の大規模なデータセットを使用して訓練され、特定の生物活性分子をターゲットにしている。 実験で知られている生物活性分子のデータセットを考えると、他の薬剤性タンパク質のモデルを容易に訓練することができる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:27Z)
• 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。