arXiv:2209.07405

Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model

YaQin Li, Lingli Li, Yongjin Xu, Yi Yu

제출 2022-08-14

원문 초록

De novo molecular design has facilitated the exploration of large chemical space to accelerate drug discovery. Structure-based de novo method can overcome the data scarcity of active ligands by incorporating drug-target interaction into deep generative architectures. However, these strategies are bottlenecked by the small fraction of experimentally determined protein or complex structures. In addition, the cost of molecular generation is computationally expensive due to 3D representations of both molecule and protein. Here, we demonstrate a widely used and fast protein sequence-based reinforcement learning (RL) model for drug discovery. In the generative model, one of the reward components, a binding affinity predictor, is based on 1D protein sequence and molecular SMILES. As a proof of concept, the RL model was utilized to design molecules for four targets. The generated compounds showed bioactivities by the validation of both QSAR and molecular docking with experimental 3D binding pockets. We also found that the performance of generated molecules depends on the selection of data source training for the binding predictor. Furthermore, drug design for a kinase without any experimental structure, CDK20, was studied by our model. With only 1D protein sequence as input, the generated novel compounds showed favorable binding affinity based on the AlphaFold predicted structure.

함께 살펴볼 논문

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

arXiv:2607.09737v2physics.chem-ph공통 태그 Drug Discovery, Molecular Docking

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.

arXiv:2608.16419v3cs.LG공통 태그 Reinforcement Learning (RL), Drug Discovery

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.

arXiv:2607.08404v1q-bio.QM공통 태그 Drug Discovery, Drug Design

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.

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.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.