arXiv:2008.09000

Generative chemistry: drug discovery with deep learning generative models

Yuemin Bian, Xiang-Qun Xie

제출 2020-08-20

원문 초록

The de novo design of molecular structures using deep learning generative models introduces an encouraging solution to drug discovery in the face of the continuously increased cost of new drug development. From the generation of original texts, images, and videos, to the scratching of novel molecular structures, the incredible creativity of deep learning generative models surprised us about the height machine intelligence can achieve. The purpose of this paper is to review the latest advances in generative chemistry which relies on generative modeling to expedite the drug discovery process. This review starts with a brief history of artificial intelligence in drug discovery to outline this emerging paradigm. Commonly used chemical databases, molecular representations, and tools in cheminformatics and machine learning are covered as the infrastructure for the generative chemistry. The detailed discussions on utilizing cutting-edge generative architectures, including recurrent neural network, variational autoencoder, adversarial autoencoder, and generative adversarial network for compound generation are focused. Challenges and future perspectives follow.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.17127v1q-bio.QM공통 태그 Generative Adversarial Network, Drug Discovery

AMPGAN v3를 활용한 비전형 항균 펩타이드의 에이전트형 발견

Agentic Discovery of Non-Canonical Antimicrobial Peptides with AMPGAN v3

항균제 내성으로 인해 매년 100만 명 이상이 사망합니다. 항균 펩타이드(AMPs)는 유망한 해결책이지만, 실제 펩타이드 약물에 필수적인 비천연 아미노산 및/또는 화학적 변형이 포함된 펩타이드를 설계할 준비가 생성형 AMP 모델에는 아직 되어 있지 않습니다. 우리는 AMPGAN v3를 소개합니다. 이는 생성 어휘를 D-아미노산 및 아미드화(amidation)와 같은 N/C-말단 변형으로 확장하는 다목표 조건부 생성적 적대 신경망(GAN)입니다. 두 개의 전문 판별자(discriminator)에 걸쳐 적대적 및 활성 인식 지도를 분리함으로써, AMPGAN v3는 학습(training) 안정성을 크게 향상시키고 외부 분류기에서 이전 생성형 AMP 모델을 능가합니다. 우리는 시험관 내(in vitro)에서 3가지 구조적 클래스에 걸친 5개의 후보를 검증했습니다. 두 후보는 그람 양성 균주에 대한 활성을 보였으며, 최상의 후보는 *B. subtilis*에 대해 MIC 8 μg/mL에 도달했습니다. 하류 큐레이션(curation)을 지원하기 위해, 우리는 계획 에이전트(Planning Agent)가 생성, 필터링 및 검증을 위한 전문 실행기를 조율하는 엔드 투 엔드 AMP 발견을 위한 멀티 에이전트 프레임워크인 PepCraft를 추가로 제시합니다. 해당 프레임워크의 우선순위 추천 사항은 우리의 시험관 내 결과와 일치합니다. 이러한 기여들을 종합하여, 우리는 작지만 실제 규모로 생성형 및 에이전트형 AI가 치료용 펩타이드 발견에서 어떻게 결합하는지 살펴볼 수 있습니다. 코드: https://github.com/marszzibros/AMPGANv3

arXiv:2507.03209v2q-bio.QM공통 태그 Drug Discovery공식 코드 · Papers with Code

리피드 나노입자(LNP) 전입 효율 예측을 위한 머신러닝 벤치마킹 프레임워크

A Machine Learning Benchmarking Framework for Lipid Nanoparticle Transfection Efficiency Prediction

효율적인 리피드 나노입자(LNP) 매개 RNA 전달을 위한 새로운 이온화성 리피드(ionizable lipid)의 발견은 RNA 치료제 개발에서 여전히 주요 병목으로 남아 있다. 최근 발전은 리피드 구조로부터 직접 전입(transfection) 효율을 예측할 수 있는 머신러닝(ML) 모델의 잠재력을 보여주며, 이는 고처리량 가상 스크리닝을 가능하게 하고 후보 물질(lead) 선별을 가속한다. 그러나 LNP 전입 예측을 위한 새로운 모델이 계속 등장함에 따라, 엄격하고 표준화된 벤치마킹의 부재는 상당한 위험을 초래하며, 발견(discovery) 목적에서의 신뢰성에 대한 확신을 약화시킬 수 있다. 여기서 우리는 이온화성 리피드 구조에 기반한 전입 예측 모델을 평가하기 위한 견고한 ML 벤치마킹 프레임워크를 제시한다. 이 프레임워크는 전통적인 모델, 순전파 신경망(feedforward neural network), 그리고 최신(state-of-the-art) 그래프 기반 방법에 이르는 광범위한 ML 아키텍처와 결합된 다양한 분자 표현(molecular representation)을 체계적으로 벤치마킹한다. 또한, 제시된 프레임워크는 모델 일반화(generalization) 평가를 지원하며, 표준 회귀(regression) 지표를 넘어 예측 신뢰성을 평가한다. Xu et al.이 최초로 보고한 HeLa 전입 데이터셋에서 파생된 1,100개의 고유 이온화성 리피드 구조로 구성된 큐레이션 데이터셋을 사용하여, 이 프레임워크 내에서 명시적 분자 부분구조(substructure) 인코딩을 활용하는 모델들이 지속적으로 최고의 예측 정확도를 달성하며, 보다 정교한 새로운 모델 개발을 위한 필수 베이스라인으로 기능해야 함을 보여준다. 반면, AGILE, Chemprop, KPGT를 포함한 일부 현재의 그래프 기반 모델들은 비교적으로 낮은 정확도를 보이는 경향이 있다. 제시된 프레임워크는 표준화되고 투명하며 포괄적인 벤치마킹 자원을 제공하여, 새롭게 등장하는 아키텍처의 의미 있는 비교를 가능하게 하고 리피드 기반 RNA 전달에서의 예측 모델 향후 개발을 위한 강력한 베이스라인을 확립한다.

arXiv:2606.07239v2cs.LG공통 태그 Drug Discovery

불균형 최적 전송을 통한 가변 크기 설계를 위한 생성적 분자 모핑

Generative Molecular Morphing for Flexible-Size Design via Unbalanced Optimal Transport

생성적 분자 설계의 성공은 모델이 높은 보상을 갖는 샘플 쪽으로 얼마나 잘 조향될 수 있는지에 달려 있다. 많은 분자 특성이 본질적으로 분자 크기와 연관되어 있으므로, 특성과 원자 수의 결합 분포를 정확히 포착하는 것이 필수적이다. 그러나 현재의 확산 및 플로 기반 모델은 원자 수를 고정하므로 이 복잡한 관계를 탐색하는 능력이 근본적으로 제한된다. 이를 해결하기 위해 기하 그래프에 기반한 조건부 및 비조건부 3D 분子 설계용 가변 크기 생성 모델 Morph를 소개한다. 크기를 동적으로 조절함으로써 Morph는 스캐폴드와 같은 기존 구조적 사전 정보를 매끄럽게 통합할 수 있고 특성 조향을 크게 향상시킨다. Morph가 현재의 고정 크기 최첨단 모델과 대등한 성능을 보이면서 샘플링 유연성을 크게 높임을 보인다. 또한 기존 모델이 실패하는 영역에서의 분포 외 생성을 시연하여, 분자 설계를 위한 생성 모델링의 향상으로 가는 길을 연다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.