PrefixMol: Target- and Chemistry-aware Molecule Design via Prefix Embedding

要約

結合ポケットや化学的性質など、さまざまな条件を考慮して分子を生成するための統一モデルはありますか?
ターゲットを意識した生成モデルは医薬品の設計に大きな進歩をもたらしましたが、化学条件を考慮しておらず、目的の化学特性を保証することはできません。
残念ながら、カスタマイズされた要件を満たすためにターゲット認識モデルと化学物質認識モデルを統合モデルにマージすると、負の転送の問題が発生する可能性があります。
NLP 分野でのマルチタスク学習の成功に着想を得て、プレフィックス埋め込みを使用して、ターゲット ポケットの状況とさまざまな化学的特性の両方を考慮した新しい生成モデルを提供します。
すべての条件付き情報は学習可能な機能として表され、生成モデルはその後コンテキスト プロンプトとして使用します。
実験は、私たちのモデルが単一および多条件の分子生成の両方で優れた制御性を示すことを示しています。
制御可能性により、以前の構造ベースの薬物設計方法よりも優れた性能を発揮できます。
さらに興味深いことに、注意メカニズムを明らかにし、条件間の結合関係を明らかにして、多条件分子生成のガイダンスを提供します。

要約(オリジナル)

Is there a unified model for generating molecules considering different conditions, such as binding pockets and chemical properties? Although target-aware generative models have made significant advances in drug design, they do not consider chemistry conditions and cannot guarantee the desired chemical properties. Unfortunately, merging the target-aware and chemical-aware models into a unified model to meet customized requirements may lead to the problem of negative transfer. Inspired by the success of multi-task learning in the NLP area, we use prefix embeddings to provide a novel generative model that considers both the targeted pocket’s circumstances and a variety of chemical properties. All conditional information is represented as learnable features, which the generative model subsequently employs as a contextual prompt. Experiments show that our model exhibits good controllability in both single and multi-conditional molecular generation. The controllability enables us to outperform previous structure-based drug design methods. More interestingly, we open up the attention mechanism and reveal coupling relationships between conditions, providing guidance for multi-conditional molecule generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google