論文の概要: onepot CORE -- an enumerated chemical space to streamline drug discovery, enabled by automated small molecule synthesis and AI

• arxiv url: http://arxiv.org/abs/2601.12603v1
• Date: Sun, 18 Jan 2026 22:23:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.696179
• Title: onepot CORE -- an enumerated chemical space to streamline drug discovery, enabled by automated small molecule synthesis and AI
• Title（参考訳）: 1pot CORE -- 自動化された小さな分子合成とAIによって実現される薬物発見を合理化するための列挙された化学空間
• Authors: Andrei S. Tyrin, Brandon Wang, Manuel Muñoz, Samuel H. Foxman, Daniil A. Boiko,
• Abstract要約: ワンポットCORE(Onepot CORE)は、3.4B分子とそれに対応するオンデマンド生成物を含む列挙された化学空間である。 1pot COREは、(i)医薬化学でよく用いられる反応セットを選択し、(ii)サプライヤーカタログからビルディングブロックを抽出し、(iii)候補製品を列挙し、(iv)MLベースの実現可能性評価を適用して化合物を優先順位付けする。
• 参考スコア（独自算出の注目度）: 0.49478969093606673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The design-make-test-analyze cycle in early-stage drug discovery remains constrained primarily by the "make" step: small-molecule synthesis is slow, costly, and difficult to scale or automate across diverse chemotypes. Enumerated chemical spaces aim to reduce this bottleneck by predefining synthesizable regions of chemical space from available building blocks and reliable reactions, yet existing commercial spaces are still limited by long turnaround times, narrow reaction scope, and substantial manual decision-making in route selection and execution. Here we present the first version of onepot CORE, an enumerated chemical space containing 3.4B molecules and corresponding on-demand synthesis product enabled by an automated synthesis platform and an AI chemist, Phil, that designs, executes, and analyzes experiments. onepot CORE is constructed by (i) selecting a reaction set commonly used in medicinal chemistry, (ii) sourcing and curating building blocks from supplier catalogs, (iii) enumerating candidate products, and (iv) applying ML-based feasibility assessment to prioritize compounds for robust execution. In the current release, the space is supported by seven reactions. We describe an end-to-end workflow - from route selection and automated liquid handling through workup and purification. We further report validation across operational metrics (success rate, timelines, purity, and identity), including NMR confirmation for a representative set of synthesized compounds and assay suitability demonstrated using a series of DPP4 inhibitors. Collectively, onepot CORE illustrates a path toward faster, more reliable access to diverse small molecules, supporting accelerated discovery in pharmaceuticals and beyond.
• Abstract（参考訳）: 初期の薬物発見におけるデザイン・メイク・テスト・アナライズ・サイクルは、主に「メイク」ステップによって制限されている: 小さな分子の合成は遅く、コストがかかり、様々な化学タイプにまたがるスケールや自動化が困難である。 列挙された化学空間は、利用可能なビルディングブロックと信頼性のある反応から化学空間の合成可能な領域を事前に定義することで、このボトルネックを軽減することを目的としているが、既存の商業空間は、長いターンアラウンド時間、狭い反応範囲、ルートの選択と実行における手作業による決定によって制限されている。 ここでは、自動合成プラットフォームとAI化学者Philによって実現された3.4B分子とそれに対応するオンデマンド合成製品を含む列挙された化学空間であるOnepot COREの最初のバージョンを紹介する。 onepot CORE は 一 医薬化学でよく用いられる反応集合を選択すること。 2サプライヤカタログからのビルディングブロックのソーシング及びキュレーション 三 候補商品を列挙し、 四 MLに基づく実現可能性評価を適用して、堅牢な実行のために化合物を優先する。 現在のリリースでは、この空間は7つの反応によって支えられている。 経路の選択から、ワークアップと浄化による自動液体処理まで、エンドツーエンドのワークフローについて説明する。 さらに,一連のDPP4阻害剤を用いて,合成化合物の代表集合に対するNMR確認や測定適性などの操作指標(成功率,タイムライン,純度,同一性)の検証を報告する。 まとめると、Onepot COREは様々な小さな分子への高速で信頼性の高いアクセスへの道を示し、医薬品の発見を加速させる。

関連論文リスト

• ChemBART: A Pre-trained BART Model Assisting Organic Chemistry Analysis [9.010003142738338]
  ChemBARTはSMILESベースの大規模言語モデルで、化学反応で事前訓練されている。 ChemBARTは、前駆体/試薬生成、温度収率回帰、分子特性分類、ポリシーと値関数の最適化など、様々な化学的問題を効果的に解決する。 本研究は, 反応中心の事前学習の能力を検証するとともに, 完全合成計画サイクルの進展におけるChemBARTの幅広い有用性を示すものである。
  論文  参考訳（メタデータ） (2026-01-06T10:55:38Z)
• ReACT-Drug: Reaction-Template Guided Reinforcement Learning for de novo Drug Design [0.34155322317700576]
  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。
  論文  参考訳（メタデータ） (2025-12-24T05:29:35Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• 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)
• PRESTO: Progressive Pretraining Enhances Synthetic Chemistry Outcomes [33.293741487835824]
  MLLM(Multimodal Large Language Models)は、様々な科学分野において普及している。 しかし、現在のアプローチは化学反応を理解する上での複数の分子グラフ相互作用の重要な役割を無視することが多い。 PRESTOは、事前学習戦略とデータセット構成の包括的なベンチマークを統合することで、分子-テキストのモダリティギャップを橋渡しする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-19T03:59:46Z)
• Chemist-X: Large Language Model-empowered Agent for Reaction Condition Recommendation in Chemical Synthesis [55.30328162764292]
  Chemist-Xは、化学合成における反応条件最適化(RCO)タスクを自動化する包括的なAIエージェントである。 このエージェントは、検索強化世代(RAG)技術とAI制御のウェットラブ実験を実行する。 我々の自動ウェットラブ実験の結果は、LLMが制御するエンドツーエンドの操作を、ロボットに人間がいない状態で行うことで達成され、Chemist-Xの自動運転実験における能力が証明された。
  論文  参考訳（メタデータ） (2023-11-16T01:21:33Z)
• 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)
• 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。