抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
de novo分子設計は,化学空間の複雑性による薬物発見における重要課題である。分子データセットのアベイラビリティと機械学習の進歩により,望ましい特性を有する新しい分子を生成するための多くの深い生成モデルを提案した。しかしながら,既存のモデルのほとんどは,分子分布学習とターゲットベースの分子設計のみに焦点を当て,それによって,実世界応用におけるそれらの可能性を妨げる。薬物発見において,表現型分子設計は,特にクラス内薬物発見において,標的に基づく分子設計よりも利点がある。本研究では,表現型分子設計,特に遺伝子発現に基づく分子設計を標的とする最初の深グラフ生成モデル(FAME)を提案した。FAMEは,遺伝子発現プロファイルから分子を生成する条件付分布を学習するために条件付き変分オートエンコーダフレームワークを利用する。しかし,この分布は,分子空間の複雑性と遺伝子発現データにおけるノイズの多い現象のために学ぶのが難しい。これらの問題に取り組むために,コントラスト目的関数を用いる遺伝子発現雑音除去(GED)モデルを最初に提案し,遺伝子発現データから雑音を低減した。次に,FAMEをフラグメントの配列として分子を処理するために設計し,自己回帰様式でこれらのフラグメントを生成するように学習した。このフラグメントに基づく生成戦略と雑音除去遺伝子発現プロファイルをレバーすることによって,FAMEは,高い妥当性と望ましい生物活性を有する新規分子を生成することができる。実験結果は,FAMEが,表現型分子設計のためのSMILESベースとグラフベース深層生成モデルの両方を含む既存の方法より優れていることを示した。さらに,本研究で提案した遺伝子発現データにおけるノイズ低減のための効果的機構は,表現型薬物発見を容易にするための一般的データモデリングに適用できる。【JST・京大機械翻訳】