相关实验视频
Updated: Aug 13, 2026
06:16
Electrophysiological Measurements from a Moth Olfactory System
Published on: March 29, 2011
13.8K
开始:博尔茨曼重量化数据增强用于在昆虫费洛蒙受体中增强的基于GAN的分子设计
Jialei Dai1,2, Yutong Zhang3, Chen Shi1,2
1College of Life Sciences, Zhejiang University, Hangzhou 310027, China.
The journal of physical chemistry. B
|November 14, 2024
概括
我们开发了博尔茨曼增强的生成对抗网络 (BEGAN),以创建具有更强的蛋白质结合的分子. 这种机器学习方法通过优先考虑具有较高结合亲和度的分子来改善药物发现.
科学领域:
- 计算化学是一种计算化学.
- 机器学习 机器学习
- 分子建模分子建模
背景情况:
- 理性分子设计需要识别具有高目标蛋白结合亲和度的小分子.
- 生成对抗网络 (GAN) 越来越多地用于新的分子生成.
- 为增强结合亲和力优化GAN仍然是一个挑战.
研究的目的:
- 引入一种增强的分子生成方法,即博尔茨曼增强的GAN (BEGAN),以改善蛋白质结合.
- 为了利用博尔兹曼分布来重权分子生成,以达到更高的结合亲和度.
- 为了验证BEGAN在设计强大的小分子中的有效性.
主要方法:
- 开发了BEGAN,将基于博尔兹曼分布的重量调整整合到GAN培训中.
- 利用对接算法来估计重新加重的结合自由能量 (ΔU).
- 应用原子分子动力学模拟进行验证.
- 研究了参数依赖性,特别是超参数t.
主要成果:
- BEGAN显著增加了与目标蛋白具有更高结合亲和度的分子的生成.
- 在设计 *Spodoptera frugiperda* 雌激素受体 SfruOR16.16 的性别雌激素类似物时,已成功应用.
- 通过分子动力学模拟证实了改善的结合亲和力.
- 提供了对参数依赖性和最佳超参数范围的见解.
结论:
- 开始为优化分子生成提供了一种强大的策略,用于增强蛋白质结合.
- 该方法提高了分子发现管道的效率.
- BEGAN促进了对具有优越结合性质的分子空间的探索.
