使用变压器化学语言模型生成双目标化合物的协议
Sanjana Srinivasan1, Jürgen Bajorath1
1Department of Life Science Informatics and Data Science, B-IT, LIMES Program Unit Chemical Biology and Medicinal Chemistry, Rheinische Friedrich-Wilhelms-Universität, Friedrich-Hirzebruch-Allee 5/6, 53115 Bonn, Germany; Lamarr Institute for Machine Learning and Artificial Intelligence, Friedrich-Hirzebruch-Allee 5/6, 53115 Bonn, Germany.
这项研究引入了一种创新的协议,用于创建可同时与两个蛋白质结合的双目标化合物 (DT-CPD). 该方法利用基于变压器的化学语言模型来有效地发现药物.
科学领域:
- 药用化学 医学化学
- 计算化学的计算化学
- 药物发现 药物发现 药物发现
背景情况:
- 开发针对多种蛋白质的化合物对于复杂疾病至关重要.
- 现有的产生双目标化合物 (DT-CPD) 的方法可能是低效的.
- 基于变压器的化学语言模型为新药设计提供了一个有希望的途径.
研究的目的:
- 介绍使用基于变压器的化学语言模型生成DT-CPD的详细协议.
- 引导研究人员为DT-CPD生成准备数据和预训练模型.
- 允许创建具有双重目标特性的新型化学实体.
主要方法:
- 利用基于变压器的化学语言模型来生成化合物.
- 预先训练模型对单标化合物 (ST-CPDs) 和DT-CPDs的数据集.
- 开发了关于特定蛋白质对的数据汇集和模型评估的程序.
- 包括软件安装和数据准备步骤.
主要成果:
- 成功概述了一个生成DT-CPDs的协议.
- 证明了使用变压器模型用于双目标化合物设计的可行性.
- 提供了一个框架来评估在持有测试集上的模型性能.
结论:
- 提出的协议提供了一个系统的方法来设计双重目标化合物.
- 基于变压器的化学语言模型是推动DT-CPD发现的有效工具.
- 这项工作有助于开发具有增强特异性和有效性的新疗法.
更多相关视频
08:21Curation of Computational Chemical Libraries Demonstrated with Alpha-Amino Acids
Published on: April 13, 2022
10:17Creating Highly Specific Chemically Induced Protein Dimerization Systems by Stepwise Phage Selection of a Combinatorial Single-Domain Antibody Library
Published on: January 14, 2020
相关概念视频
Synthesis and Decomposition Reactions
Cycloaddition Reactions: MO Requirements for Thermal Activation
Nuclear Transmutation
Cycloaddition Reactions: Overview
meta-Directing Deactivators: –NO2, –CN, –CHO, –⁠CO2R, –COR, –CO2H
Phase II Conjugation Reactions: Overview
