Mining for Potent Inhibitors through Artificial Intelligence and Physics: A Unified Methodology for Ligand Based and Structure Based Drug Design
원문 초록
The viability of a new drug molecule is a time and resource intensive task that makes computer-aided assessments a vital approach to rapid drug discovery. Here we develop a machine learning algorithm, iMiner, that generates novel inhibitor molecules for target proteins by combining deep reinforcement learning with real-time 3D molecular docking using AutoDock Vina, thereby simultaneously creating chemical novelty while constraining molecules for shape and molecular compatibility with target active sites. Moreover, through the use of various types of reward functions, we can generate new molecules that are chemically similar to a target ligand, which can be grown from known protein bound fragments, as well as to create molecules that enforce interactions with target residues in the protein active site. The iMiner algorithm is embedded in a composite workflow that filters out Pan-assay interference compounds, Lipinski rule violations, and poor synthetic accessibility, with options for cross-validation against other docking scoring functions and automation of a molecular dynamics simulation to measure pose stability. Because our approach only relies on the structure of the target protein, iMiner can be easily adapted for future development of other inhibitors or small molecule therapeutics of any target protein.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Optimization of binding affinities in chemical space with generative pretrained transformer and deep reinforcement learning
Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수
Q-Score: A Quantum-Native Scoring Function for Molecular Docking
분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.
AlphaNIST: 이진 작업 보상으로부터 발현되는 조립 기술
AlphaNIST: Emergent Assembly Skills from Binary Task Rewards
NIST Assembly Task Board #1은 로봇 조작(robotic manipulation) 분야의 학습(training) 기반 방법론에 여전히 까다로운 벤치마크(benchmark)입니다. 단기적으로는 작고 정밀하게 맞물리는 부품에 대한 정밀하고 접촉이 빈번한 제어가 요구되며, 장기적으로는 확장된 행동 시퀀스 전반에 걸친 복구 및 조율 능력이 필요합니다. 그동안 데모(demonstration), 작업 분해, 조밀한 진행 보상(reward)은 조립 방법에 대한 지침을 제공함으로써 연구 발전을 이끌어왔습니다. 하지만 전략을 얼마나 구체적으로 명시해야 할까요? AlphaGo에서 AlphaGo Zero로의 발전은 대규모 강화학습(RL)이 이기는 방법을 규정하지 않고도 초인적인 전략을 발견할 수 있음을 보여주었습니다. AlphaNIST는 희소한 이진 작업 보상과 이러한 작업 무관(task-agnostic) 보상이 허용하는 작업 다양성을 통해 로봇이 유사하게 조립 방법을 스스로 발견할 수 있는지 묻습니다. 시뮬레이션 환경에서 데모, 진행 셰이핑(progress shaping), 스크립트 기반 프리미티브, 작업별 튜닝 없이 NIST Assembly Task Board #1의 전체 20개 조립 작업에 대해 단일 정책을 처음부터(from scratch) 학습시켜 98.2%의 전체 학습 성공률을 달성했습니다. 또한 본 프레임워크는 정해진 순서 없이 단일 에피소드에서 10개의 조립 쌍을 완료하도록 정책을 학습시키며, 작업 성공 보상은 10개 쌍이 모두 동시에 완료될 때만 주어집니다. 학습된 정책은 정교한 파지(grasping) 선택, 주변 형상을 활용한 부품 재정렬, 명시적 플래너 없이 한 부품을 준비하고 다른 부품을 조립한 뒤 다시 돌아와 첫 번째 부품을 완성하는 등 기민하고 계획(planning)과 유사한 행동을 발견합니다. 영상은 웹사이트(https://alpha-nist.github.io/)를 참조하십시오.
PertMind: 세포 섭동 데이터 기반 강화학습을 통한 대규모 언어 모델(LLM)의 창발적 생물학적 추론 유도
PertMind: Eliciting Emergent Biological Reasoning in LLM via Reinforcement Learning on Cellular Perturbation Data
대규모 언어 모델(LLM)은 메커니즘을 설명할 수 있지만, 확장 가능한 사후 학습(post-training)은 여전히 비용이 많이 들고 수작업으로 큐레이션된 생물학적 추론 궤적에 의존하고 있습니다. 본 논문에서는 세포 섭동(cellular perturbation) 아틀라스를 강화학습(reinforcement learning) 환경으로 전환할 수 있으며, 여기서 측정된 유전자 반응이 생물학적 추론을 위한 계산 가능한 보상을 제공한다는 점을 보입니다. 우리는 신뢰할 수 있는 궤적에 기반한 지도 초기화(initialization)와 유전자, 경로 및 형식 수준의 강화 신호를 결합한 PertMind를 소개합니다. 순방향 섭동-반응 예측에 대해서만 학습(training)되었음에도 불구하고, PertMind는 일반적인 언어 능력을 유지하면서도 이전에 보지 못한 세포 맥락에서의 반응 추론(inference) 능력을 향상시킵니다. 또한 태스크별 사후 학습 없이도 역방향 섭동 식별, 이중 섭동 추론, 표현형 스크리닝 우선순위화, 생물학적 과정 해석 등으로 전이됩니다. 나아가 PertMind는 다중 스케일 다운스트림 태스크 전반에서 경쟁력 있는 유전자, 세포 및 공여자 표현을 지원하는 생물학적 프로파일을 생성합니다. 이러한 결과는 실험적 종단점에 대한 강화가 사전학습(pre-training)된 모델이 이미 접근 가능한 재사용 가능한 생물학적 전략을 집중시킬 수 있다는 가설을 뒷받침합니다. 보다 광범위하게는, 섭동 유래 강화학습이 확장되는 실험 아틀라스를 범용 생물학적 추론을 위한 학습 환경으로 변환하는 확장 가능한 경로를 제공합니다.
DrugGen 2: 신약 발견 향상을 위한 질병 인식 언어 모델
DrugGen 2: A disease-aware language model for enhancing drug discovery
신약 설계를 위한 현재의 계산적 접근법은 일반적으로 특정 타겟 또는 일반적인 분자 특성에 조건화하여 분자를 생성하는 데 초점을 맞추며, 타겟 거동 및 치료 결과에 대한 질병 맥락의 영향을 종종 간과한다. 이러한 간극을 해소하기 위해, 우리는 질병 온톨로지(disease ontology)와 타겟 단백질 서열 모두에 조건화하여 소분자를 설계하는 새로운 생성 모델인 DrugGen-2를 소개한다. DrugGen-2는 사전학습된 GPT-2 모델을 질병 및 타겟과 연결된 승인 약물의 큐레이션된 데이터셋에 대해 미세조정하여 개발되었으며, 지도 미세조정에 이어 그룹 상대 정책 최적화(GRPO, group relative policy optimization)를 통한 강화학습으로 구성된 2단계 전략을 사용하였다. 이 과정은 화학적 유효성, 신규성, 다양성 및 높은 예측 결합 친화도를 최적화하는 보상 함수에 의해 가이드되었다. 당뇨병성 신증에 관련된 5개의 단백질 타겟에 대한 평가에서, DrugGen-2는 기준선 모델(DrugGPT 및 DrugGen)을 크게 능가하였다. DrugGen-2는 고유한 분자를 생성하는 우월한 능력을 보여주었고, 승인 약물과의 더 높은 구조적 유사성을 나타냈으며, 모든 타겟에서 개선된 예측 결합 친화도를 달성하였다. 분자 도킹 분석은 이러한 결과를 추가로 뒷받침하였으며, 앤지오텐신 전환 효소에 대한 에날라프릴(-8.283) 등 참조 약물을 초과하는 예측 친화도(-9.917, -9.485, -9.367)를 가진 화합물을 포함하여 강한 결합 잠재력을 가진 후보 리간드를 식별하였다. 분자 생성에 질병 특이적 맥락을 통합함으로써, DrugGen-2는 질병과 분자 타겟 간의 복잡한 상호작용을 고려하는 드 노보(de novo) 설계 및 약물 재창출을 위한 강력한 도구를 제공하며 AI 기반 신약 발견을 발전시킨다.
Margin Trader: A Reinforcement Learning Framework for Portfolio Management with Margin and Constraints
토론
이 논문과 연결된 포럼 글이 아직 없습니다.