通过化学启发的对比学习来强化分子生成反合成的自我意识
Yi Zhang1, Jindi Huang1, Xinze Li1
1Guangdong Provincial Key Laboratory of Fermentation and Enzyme Engineering, Joint International Research Laboratory of Synthetic Biology and Medicine, Guangdong Provincial Engineering and Technology Research Center of Biopharmaceuticals, School of Biology and Biological Engineering, South China University of Technology, No. 382 Waihuan East Road, Higher Education Mega Center, Guangzhou 510006, China.
这项研究引入了一种新的深度强化学习模型,用于生成新型药物分子. 该模型优化了化学特性,成功地为ATR和CDK9.9等癌症点创造了强大的抑制剂.
科学领域:
- 药用化学 医学化学
- 计算化学计算化学
- 药物发现 药物发现 药物发现
背景情况:
- 深度生成模型擅长模拟复杂的数据分布,使治疗应用能够产生新型化合物.
- 现有的方法往往忽略了内在的化学反应原理,限制了产生的分子性能的优化.
研究的目的:
- 开发一种新的分子生成模型,利用深度强化学习优化化学性质.
- 通过结合化学启发的预训练来解决当前模型的局限性.
主要方法:
- 一种深度强化学习代理被训练来优化分子特性.
- 代理使用化学启发的对比预训练模型进行初始化.
- 通过为两个癌症治疗点产生抑制剂来评估该模型的有效性.
主要成果:
- 该模型生成了100%有效的新型分子结构.
- 与基线相比,它在产生具有较少结构警报的分子方面表现出卓越的性能.
- 产生的分子在湿实验室实验中表现出强烈的生物活性,对抗形电阻和Rad3相关 (ATR) 和循环素依赖性激酶9 (CDK9) 标.
结论:
- 拟议的模型有效地产生了具有优化化学性质的新型有效分子.
- 它通过识别ATR和CDK9.9的强效抑制剂,显示出开发向癌症治疗的巨大潜力.
相关概念视频
Synthesis and Decomposition Reactions
Polymer Classification: Stereospecificity
Predicting Reaction Outcomes
Synthesis of α-Substituted Carbonyl Compounds: The Stork Enamine Reaction
Cycloaddition Reactions: Overview
Molecular Models


