May, 2024

无需回归模型的分子生成来支持药物反应预测

PDF
TL;DR我们引入了无回归器指导分子生成的方法，以确保在更有效的空间内进行采样并支持药物反应预测。通过实验和理论研究，我们假设基于目标 IC50 得分的条件生成可以获得更有效的采样空间。我们设计了一个常识数值知识图谱来有效地映射药物和细胞系之间的回归标签。实际应用于药物反应预测任务的真实数据集的实验结果证明了我们方法在药物发现方面的有效性。
drug response predictionic50 scoremolecule generationregressor-free guidancecommon-sense numerical knowledge graph
发现论文，激发创造
  • CLDR: 自然语言监督下的对比学习药物响应模型

    利用基于深度学习的药物响应预测方法可以加快药物研发过程和降低研发成本。通过提出一种基于对比学习的自然语言监督框架，将回归标签转换为文本，并将其与传统的图形和序列模态进行比较，可以在药物响应预测方面取得卓越的预测性能，并能有效约束样本在表示空间中的连续分布。

    Dec, 2023

  • 药物预测的零样本学习方法用于临床前药物筛选

    本文提出了一种用于临床前药物筛选中药物反应预测的零样本学习方法，称为 MSDA。MSDA 可以与传统的药物反应预测方法无缝集成，通过学习类似药物的先前反应数据的不变特征，增强对未标记化合物的实时预测性能。研究结果表明，MSDA 能够有效地预测未知化合物的药物反应，使临床前药物筛选阶段的总体性能提高了 5-10％。该解决方案的重要性在于能够加速药物发现过程，改善药物候选物评估并促进药物发现的成功。

    Oct, 2023

  • DiffBP: 用于靶向蛋白结合的三维分子生成扩散

    利用基于蛋白质为环境约束的扩散模型，在非自回归的完整原子水平上，去噪元素类型和整个分子的三维坐标，学习生成过程，相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。

    Nov, 2022

  • 基于基因组和化学特性的机器学习预测癌细胞对药物的敏感性

    机器学习模型结合细胞基因组特征和药物化学特征，可以预测癌细胞株对治疗药物的敏感度，从而设计更优化的虚拟药物筛选来发现新型抗肿瘤药物的机会并最终应用于个性化医疗。

    Dec, 2012

  • 可控制分子生成的基于检索的方法

    本文提出了一种基于检索的分子生成框架，使用例子分子来引导预先训练的生成模型生成符合给定设计标准的分子，通过自我监督目标来训练混合输入分子和示例分子的检索机制，使用迭代改进来动态更新生成的分子和检索数据库，成果表明我们的方法比以前的方法有更好的性能和更广泛的适用性。

    Aug, 2022

  • 个性化药物识别器：利用辅助信息的癌症治疗推荐系统

    癌症个性化治疗是全球面临的一个挑战，在临床和经济上都具有不断增长的负担。为了有效利用临床诊断面板中的基因组分析，需要准确的药物反应预测模型，本研究提出了一种基于转换器的创新方法，超越了基准数据上最先进的药物反应预测模型的性能，同时还设计了一种治疗建议系统，并正在新加坡国立大学医院进行临床试验评估。

    Feb, 2024

  • 药物分子构型的物理知识生成模型

    基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

    Feb, 2024

  • 用于基于结构药物设计的三维生成模型

    本文提出了一种生成指定蛋白质结合位点分子的 3D 生成模型，可应用于结构基因设计任务，通过学习原子的概率密度分布并提出自回归采样策略，实现了生成有效和多样性分子的能力，在实验结果中表现出较高的亲和力和良好的药物特性。

    Mar, 2022

  • 利用循环神经网络生成药物发现的专注分子库

    本文研究了基于计算机算法的 de novo 药物设计，利用循环神经网络训练生成分子结构，生成分子的性质与原用来训练模型分子的性质很相似。同时，提出使用小型分子集与模型来微调生成分子的活性，可以生成大量的新分子用在药物研发中。

    Jan, 2017

  • 基于图传播的无分类器分子性质定向策略

    本研究旨在通过无监督学习直接注入条件信息，提出一种无分类器指导的 DiGress （FreeGress）模型，用于加速新药和材料开发过程中的候选筛选，实验证明该模型在目标性质预测任务上比 DiGress 模型在 QM9 和 ZINC-250k 基准测试中取得了 79％的绝对误差改进，并提出了一种基于分子量与原子数的化学有效性改进方法。

    Dec, 2023