論文の概要: Using an energy pixels approach to estimate the size a 2nd Generation DEL must be to train a high-resolution binding model
- arxiv url: http://arxiv.org/abs/2611.17121v1
- Date: Thu, 12 Nov 2026 17:13:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.567148
- Title: Using an energy pixels approach to estimate the size a 2nd Generation DEL must be to train a high-resolution binding model
- Title(参考訳): エネルギー画素を用いた第2世代DELの大きさ推定は高分解能結合モデルを訓練する必要がある
- Abstract要約: そこで本研究では,第2世代のDNAエンコードライブラリを用いて,機械学習モデルのトレーニングを行う方法を示す。
これは、モデルに必要なタイトなバインダーの数を、ライブラリが含まなければならない化合物の数に変換する。
ランダムに設計された第2世代DELの期待収量を推定する。
- 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: DNA-encoded libraries (DELs) are commonly used to find small-molecule binders to a target protein. But the hard part is no longer finding a hit. It is building a machine-learning model good enough to guide the medicinal chemistry that follows, one that can resolve the shift in affinity when a chemist changes a single atom. Such a model needs two things from its training data: dense sampling of the small patch of chemical space around the hit, and an adequate number of genuinely tight binders within it. A diverse naive DEL gives neither. It samples an enormous space, so any one neighborhood is covered far too thinly, and the tightest binders are rare. A model trained on that naive DEL data must extrapolate to binders tighter than any it has seen, and that is where models can fail. One way to get training data with both properties is a second-generation DEL built around the hit. We ask how complex that library must be. We treat binding as a sum of small, independent interactions, called pixels on the target and antipixels on the ligand. From the spread of affinities measured in the naive library, with no structural information and nothing yet synthesized, we estimate the complexity such a library must have to supply that dense sampling and those tight binders. The method does two useful things. It turns the number of tight binders a model needs into the number of compounds a library must contain. And it estimates the expected yield of a randomly designed second-generation DEL, so the gain from designing the library with machine learning or active learning can be measured against a baseline, without the expense of a control library as large as the experiment itself.
- Abstract(参考訳): DNAエンコードされたライブラリ(DEL)は、標的タンパク質の小さな分子結合体を見つけるために一般的に用いられる。
しかし、難しい部分はもはやヒットは見つからない。
化学者が1つの原子を変えると親和性の変化を解消できる、薬品化学を導くのに十分な機械学習モデルを構築している。
このようなモデルは、そのトレーニングデータから2つのものを必要としている: ヒット周辺の化学空間の小さなパッチを密集したサンプリングと、その中の真の密接なバインダーの数だ。
多様な素性を持つDELはどちらも与えない。
巨大な空間を採取するので、どの地区も極端に薄く覆い、最も密着した結合体は稀である。
単純なDELデータに基づいてトレーニングされたモデルは、それまでのどのモデルよりも厳密なバインダーに外挿しなければならない。
両方のプロパティでトレーニングデータを取得する方法の1つは、ヒットを中心に構築された第2世代のDELだ。
私たちはそのライブラリがどれほど複雑でなければならないか尋ねる。
我々は、リガンド上の画素とアンチピクセルと呼ばれる小さな独立した相互作用の和として結合を扱う。
ナイーブ図書館におけるアフィニティの拡散から, 構造情報がなく, まだ合成されていないことから, ライブラリが高密度サンプリングとタイトバインダーを供給しなければならない複雑さを推定する。
その方法は2つの役に立つ。
これは、モデルに必要なタイトなバインダーの数を、ライブラリが含まなければならない化合物の数に変換する。
また、ランダムに設計した第2世代DELの期待収量を推定することにより、実験自体ほど大きな制御ライブラリを使わずに、機械学習やアクティブラーニングによるライブラリの設計による利益をベースラインに対して測定することができる。
関連論文リスト
- Requential Coding: Pushing the Limits of Model Compression with Self-Generated Training Data [55.04392122319273]
本稿では,教師モデルが生徒自身の分布から抽出した学習サンプルを選択するための逐次符号化手法を提案する。
結果として得られるコード長は、パラメータカウントとデータエントロピーとは独立しており、多くの場合、先行するコード長よりも桁違いに短い。
論文 参考訳(メタデータ) (2026-07-13T17:58:50Z) - Crucial-Diff: A Unified Diffusion Model for Crucial Image and Annotation Synthesis in Data-scarce Scenarios [65.97836905826145]
医療、産業、自動運転といったさまざまなシナリオにおけるデータの不足は、モデルの過度な適合とデータセットの不均衡につながる。
重要なサンプルを合成するドメインに依存しないフレームワークであるCrucial-Diffを提案する。
我々のフレームワークは多様な高品質なトレーニングデータを生成し、ピクセルレベルのAPは83.63%、F1-MAXは78.12%である。
論文 参考訳(メタデータ) (2025-07-14T04:41:38Z) - NEBULA: Neural Empirical Bayes Under Latent Representations for Efficient and Controllable Design of Molecular Libraries [5.350316354464512]
NEBULAはシード化合物を中心とした大規模分子ライブラリーをスケーラブルに生成するための,最初の潜伏3次元生成モデルである。
NEBULAは、サンプルの品質を犠牲にすることなく、既存の方法よりもほぼ1桁早く大きな分子ライブラリを生成する。
ここでのアプローチは、機械学習ベースの薬物発見に極めて有効になることを期待しています。
論文 参考訳(メタデータ) (2024-07-03T18:10:43Z) - 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) - Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。
各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
論文 参考訳(メタデータ) (2024-04-02T21:51:39Z) - DEL-Dock: Molecular Docking-Enabled Modeling of DNA-Encoded Libraries [1.290382979353427]
我々は、リガンドベースの記述子とドッキングされたタンパク質-リガンド複合体の3次元空間情報を組み合わせた新しいパラダイムDEL-Dockを導入する。
本モデルでは,分子富化スコアを予測するために,DELカウントデータを効果的にデノベートできることを示す。
論文 参考訳(メタデータ) (2022-11-30T22:00:24Z) - Partial Product Aware Machine Learning on DNA-Encoded Libraries [0.0]
DELデータに基づく機械学習モデルの訓練は、元のDELと異なる関心の分子を予測するのに有効であることが示されている。
反応収率データを利用して、与えられたDNAタグに対応する分子の集合を列挙する。
論文 参考訳(メタデータ) (2022-05-16T23:18:02Z) - Machine learning on DNA-encoded libraries: A new paradigm for
hit-finding [4.473676566828977]
DEL選択データに機械学習を適用した新しい手法を示す。
DEL選択データのみを使用してモデルをトレーニングし、自動または自動化可能なフィルタを適用します。
アプローチは有効であり、全体としては30本のテキストミューMで sim30% のヒット率と各ターゲットに対する強力な化合物(IC50 10 nM)の発見である。
論文 参考訳(メタデータ) (2020-01-31T19:31:23Z)
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。