HVLGAN:基于结构的药物发现的混合层次的缩放注意力启用潜伏模型
Shreyas Rajendra Hole1, Lakshmanan M2, Jeevaraj R3
1Department of Computer Science and Engineering, Symbiosis Institute of Technology, Nagpur Campus, Symbiosis International (Deemed University), Pune, India.
一个新的混合层次缩放注意力支持的基于自编码器的潜在生成对抗网络 (HVLGAN) 加快了药物发现. 这种方法提高了分子生成效率,并减少了新型治疗化合物的计算复杂性.
科学领域:
- 计算化学是一种计算化学.
- 药品化学 药品化学 是一个
- 人工智能在药物发现中的作用
背景情况:
- 传统的基于结构的药物设计通常是耗时和复杂的.
- 现有的方法面临着错误的分子形成和可扩展性的挑战.
- 需要更有效,更准确的药物发现方法.
研究的目的:
- 为药物发现提出一个有效的混合层次化扩展注意力支持的基于自编码器的变异性潜伏生成对抗网络 (HVLGAN).
- 提高产生新药分子的效率和准确性.
- 为了减少与基于结构的药物设计相关的计算复杂性.
主要方法:
- 利用基于图形的口袋编码 (GPE) 进行有效的简化分子输入线输入系统 (SMILES) 字符串生成.
- 实施了混合层次缩放 (H2S) 注意力策略,用于详细的分子特征生成.
- 包含一个潜在的编码器和解码器,用于高维特征处理.
- 采用变异自编码器 (VAE) 来解决长期依赖问题.
主要成果:
- 实现了高性能指标:0.96的有效性,0.96的新性和0.96的独特性.
- 在药物发现过程中证明了计算复杂性的降低.
- 成功生成了具有增强细节的新药分子.
- 在90%的训练数据中使用MOSES包验证了HVLGAN模型的有效性.
结论:
- 拟议的HVLGAN模型显著加速了药物发现过程.
- HVLGAN提供了一种高效准确的方法来产生新的治疗化合物.
- 整合GPE,H2S注意力和VAE组件可以提高药物发现性能,克服传统的局限性.
更多相关视频
13:00Measuring Attention and Visual Processing Speed by Model-based Analysis of Temporal-order Judgments
Published on: January 23, 2017
13:19Microarray-based Identification of Individual HERV Loci Expression: Application to Biomarker Discovery in Prostate Cancer
Published on: November 2, 2013
相关概念视频
Drug Discovery: Overview
Resonance and Hybrid Structures
Resonance Structures and Resonance Hybrids
The Lewis structure of a nitrite anion (NO2−) may actually be drawn in two different ways, distinguished by the locations of the N–O and N=O bonds.
Hybridization of Atomic Orbitals II
Hybrid Zones
Hybridization of Atomic Orbitals I
Structure-Activity Relationships and Drug Design
SAR studies the intricate relationship between a drug's chemical structure and biological activity. It focuses on understanding how modifications to a drug's structure can influence...
