DeLA-DrugSelf:通过SELFIES分子表示来赋予多目标de novo设计的权力

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 生物信息学是一种生物信息学.

背景情况:

• 自动化de novo分子设计对于加速药物发现至关重要.
• 像DeLA-Drug这样的现有方法使用SMILES符号,它在分子表示上有局限性.
• 对于强大且数据驱动的客优化策略,需要取得进展.

研究的目的:

• 介绍DeLA-DrugSelf,一个升级的de novo分子设计工具.
• 提高自动化的多目标药物设计能力.
• 使用SELFIES (自我引用嵌入字符串) 表示方式改进分子生成.

主要方法:

• 用SELFIES来进行分子表示,从而实现替换,插入和删除.
• 解决了SELFIES崩问题,只产生没有崩的化合物.
• 在基因算法中利用基于帕雷托统治的健身函数来实现多目标优化.
• 专注于优化大麻素受体2 (CB2R) 配体的特性.

主要成果:

• 与其前身相比,DeLA-DrugSelf在药物相似性,独特性和新性方面表现出显著的改善.
• 该算法有效地处理数据驱动的脚手架装饰和领先优化.
• 生成的分子显示了增强的质量指标.
• 在优化CB2R配体的成功应用.

结论:

• DeLA-DrugSelf代表了自动化多目标新型分子设计的实质性进展.
• 使用SELFIES和无崩生成可以提高分子质量和设计效率.
• 该工具对于生物活性分子和化合物的数据驱动优化非常有价值.
• 通过一个用户友好的网络平台访问DeLA-DrugSelf,以便在药物发现研究中得到更广泛的应用.