- Разработка лекарств на основе структуры с помощью геометрического глубокого обучения(arXiv)
Автор:Клеменс Изерт, Кеннет Атц, Гисберт Шнайдер
Выдержка:Дизайн лекарств на основе структуры использует трехмерную геометрическую информацию о макромолекулах, таких как белки или нуклеиновые кислоты, для идентификации подходящих лигандов. Геометрическое глубокое обучение, новая концепция машинного обучения на основе нейронных сетей, применяется к макромолекулярным структурам. В этом обзоре представлен обзор недавних применений геометрического глубокого обучения в биоорганической и медицинской химии, подчеркивая его потенциал для открытия и разработки лекарств на основе структуры. Особое внимание уделяется предсказанию молекулярных свойств, сайту связывания лиганда и предсказанию положения, а также молекулярному дизайну de novo на основе структуры. Освещены текущие проблемы и возможности, а также представлен прогноз будущего геометрического глубокого обучения для открытия лекарств.
2.Трехмерный дизайн лекарств Zero-Shot с помощью эскизов и генераций(arXiv)
Автор:Сию Лун, И Чжоу, Синьюй Дай, Хао Чжоу
Аннотация: Дизайн лекарств — это важный этап в цикле разработки новых лекарств. В последнее время различные методы, основанные на глубоком обучении, разрабатывают лекарства, создавая новые молекулы с нуля, избегая обхода крупномасштабных библиотек лекарств. Однако они зависят от скудных экспериментальных данных или трудоемкого моделирования стыковки, что приводит к проблемам переобучения с ограниченными обучающими данными и низкой скоростью генерации. В этом исследовании мы предлагаем нулевой метод разработки лекарственных препаратов DESERT (Дизайн лекарств с помощью набросков и генераций). В частности, DESERT разделяет процесс проектирования на два этапа: набросок и создание, и соединяет их с молекулярной формой. Двухэтапная мода позволяет нашему методу использовать крупномасштабную молекулярную базу данных, чтобы уменьшить потребность в экспериментальных данных и моделировании стыковки. Эксперименты показывают, что DESERT быстро достигает нового уровня техники.
3.Подбор молекул для белковых карманов: генеративное решение на основе трансформеров для создания структурированных лекарств(arXiv)
Автор:Кехан Ву, Инце Ся, Ян Фань, Пань Дэн, Хайгуан Лю, Лицзюнь Ву, Шуфан Се, Тун Ван, Тао Цинь, Тие-Янь Лю
Аннотация: Дизайн лекарств на основе структуры привлекает все больше внимания в компьютерной разработке лекарств. По сравнению с подходом виртуального скрининга, при котором предварительно определенная библиотека соединений подвергается компьютерному скринингу, дизайн лекарств de novo, основанный на структуре целевого белка, может предоставить новые кандидаты в лекарства. В этой статье мы представляем генеративное решение под названием TamGent (Генератор целевых молекул с преобразователем), которое может напрямую генерировать лекарства-кандидаты с нуля для заданной цели, преодолевая ограничения, накладываемые существующими библиотеками соединений. Следуя структуре Transformer (современной структуре глубокого обучения), мы разрабатываем вариант кодировщика Transformer для обработки трехмерной геометрической информации о целях и предварительно обучаем декодер Transformer на 10 миллионах соединений из PubChem для создания лекарств-кандидатов. . Систематическая оценка соединений-кандидатов, созданных для мишеней из DrugBank, показывает, что как аффинность связывания, так и лекарственная способность значительно улучшились. TamGent превосходит предыдущие базовые показатели как по эффективности, так и по эффективности. Метод дополнительно проверяется путем создания соединений-кандидатов для основной протеазы SARS-CoV-2 и онкогенного мутанта KRAS G12C. Результаты показывают, что наш метод не только повторно обнаруживает ранее проверенные молекулы лекарств, но также создает новые молекулы с лучшими показателями стыковки, расширяя пул соединений и потенциально приводя к открытию новых лекарств.
