論文の概要: DrugGen 2: A disease-aware language model for enhancing drug discovery
- arxiv url: http://arxiv.org/abs/2607.08404v1
- Date: Thu, 09 Jul 2026 12:29:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.527136
- Title: DrugGen 2: A disease-aware language model for enhancing drug discovery
- Title（参考訳）: DrugGen 2: 薬物発見を促進するための疾患対応言語モデル
- Abstract要約: DrugGen-2は、疾患および標的配列に条件付けられた分子を生成する新しい生成モデルである。
DrugGen-2は、トレーニング済みのGPT-2モデルを、疾患や標的に関連付けられた承認された薬物のデータセットに微調整することによって開発された。
糖尿病性腎症に関連する5つのタンパク質標的について評価すると、DragonGen-2はベースラインモデルよりも有意に優れていた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Current computational approaches for drug design typically focus on generating molecules conditioned on specific targets or general molecular properties, often neglecting the influence of disease context on target behavior and therapeutic outcomes. To address this gap, we introduce DrugGen-2, a novel generative model that designs small molecules conditioned on both disease ontology and target protein sequences. DrugGen-2 was developed by fine-tuning a pre-trained GPT-2 model on a curated dataset of approved drugs linked to their diseases and targets, using a two-step strategy of supervised fine-tuning followed by reinforcement learning via group relative policy optimization (GRPO). This process was guided by reward functions optimizing for chemical validity, novelty, diversity, and high predicted binding affinity. When evaluated on five protein targets relevant to diabetic nephropathy, DrugGen-2 significantly outperformed baseline models (DrugGPT and DrugGen). It demonstrated a superior capacity to generate unique molecules, exhibited greater structural similarity to approved drugs, and achieved improved predicted binding affinities across all targets. Molecular docking analyses further supported these findings, identifying candidate ligands with strong binding potential, including compounds with predicted affinities (-9.917, -9.485, and -9.367) exceeding those of reference drugs such as enalapril for angiotensin-converting enzyme (-8.283). By integrating disease-specific context into molecular generation, DrugGen-2 advances AI-assisted drug discovery, offering a powerful tool for de novo design and drug repurposing that accounts for the complex interplay between diseases and molecular targets.
- Abstract（参考訳）: 薬物設計における現在の計算手法は、典型的には特定の標的または一般的な分子特性に条件付けされた分子の生成に焦点を当てており、しばしば疾患コンテキストが標的の行動や治療結果に与える影響を無視している。
このギャップに対処するために、我々は病気のオントロジーと標的タンパク質配列の両方に条件付けられた小さな分子を設計する新しい生成モデルであるDragonGen-2を紹介する。
DrugGen-2は、彼らの疾患や標的に関連付けられた承認された薬物のキュレートされたデータセット上で、事前訓練されたGPT-2モデルを微調整し、教師付き微調整とグループ相対ポリシー最適化(GRPO)による強化学習の2段階戦略を用いて開発された。
このプロセスは、化学的妥当性、新規性、多様性、高い予測された結合親和性のために最適化された報酬関数によって導かれた。
糖尿病性腎症に関連する5つのタンパク質標的について評価すると、DragonGen-2はベースラインモデル(DrugGPTとDragonGen)よりも有意に優れていた。
独特な分子を生成する優れた能力を示し、承認された薬物と構造的類似性を示し、全ての標的に対して予測された結合親和性を向上した。
分子ドッキング解析はこれらの発見をさらに支持し、アンジオテンシン変換酵素(8.283)のエナラプリルのような基準薬物よりも、予測親和性(-9.917、-9.485、-9.367)の化合物を含む強い結合ポテンシャルを持つ候補リガンドを同定した。
疾患特異的コンテキストを分子生成に統合することにより、DragonGen-2はAIによる薬物発見を推進し、疾患と分子標的の間の複雑な相互作用を考慮に入れたデノボ設計と薬物再資源のための強力なツールを提供する。
関連論文リスト
- Transcriptome-Conditioned Personalized De Novo Drug Generation for AML Using Metaheuristic Assembly and Target-Driven Filtering [0.0]
急性骨髄性白血病(AML)は、その極端な分子多様性と高い再発率のために、臨床上の課題である。
本稿では,患者固有の転写学とde novo薬物発見のギャップを埋める,新しいエンドツーエンドの計算フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-24T17:39:37Z) - 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) - 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) - TAGMol: Target-Aware Gradient-guided Molecule Generation [19.977071499171903]
3次元生成モデルは、構造ベースドラッグデザイン(SBDD)において大きな可能性を秘めている。
問題を分子生成と特性予測に分離する。
後者は相乗的に拡散サンプリング過程を導出し、誘導拡散を促進し、所望の性質を持つ有意義な分子を創出する。
この誘導分子生成過程をTAGMolと呼ぶ。
論文 参考訳（メタデータ） (2024-06-03T14:43:54Z) - A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。
ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。
SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
論文 参考訳（メタデータ） (2024-05-23T13:25:20Z) - drGT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [8.664433151000255]
drGTは、注意係数(AC)を用いたバイオマーカー識別の感度と支援を予測するグラフ深層学習モデルである
このモデルは、Sanger GDSC、NCI60、Broad CTRPという、幅広い薬物やがん細胞株をカバーする主要なベンチマークデータセットを使用して、トレーニングされ、評価されている。
論文 参考訳（メタデータ） (2024-05-14T22:16:52Z) - 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) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳（メタデータ） (2021-10-14T13:28:02Z) - Benchmarking Deep Graph Generative Models for Optimizing New Drug
Molecules for COVID-19 [11.853524110656991]
ターゲット特性を持つ新規薬物化合物の設計は、生成モデル研究の鍵となる分野である。
本稿では、グラフ生成モデルに基づく小さな薬物分子設計パイプラインと、新型コロナウイルスの標的薬物候補を設計するための2つの最先端グラフ生成モデルの比較研究について述べる。
論文 参考訳（メタデータ） (2021-02-09T17:49:26Z) - CogMol: Target-Specific and Selective Drug Design for COVID-19 Using
Deep Generative Models [74.58583689523999]
新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。
CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。
CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
論文 参考訳（メタデータ） (2020-04-02T18:17:20Z)
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。