Scaffold-Based Multi-Objective Drug Candidate Optimization

要約

治療設計では、マルチパラメーター最適化 (MPO) が主要な目標を達成するために複数の変数を評価する方法と同様に、さまざまな物理化学的特性のバランスをとることが分子開発にとって重要です。
現在では、\textit{in silico} 手法を使用して多くの分子特徴を予測でき、初期の医薬品開発に役立ちますが、ハイスループットの仮想スクリーニングから生成される膨大なデータは、従来の MPO アプローチの実用性に疑問を投げかけています。
これに対処して、最適な特性を持つ分子を生成するために構築された、足場に焦点を当てたグラフベースのマルコフ連鎖モンテカルロ フレームワーク (ScaMARS) を導入します。
この革新的なフレームワークは、自己トレーニングと幅広いプロパティの処理が可能で、開始足場に応じてさまざまな化学空間をサンプリングします。
いくつかのプロパティのベンチマーク分析では、ScaMARS の多様性スコアが 84.6% であり、条件付きモデルと比較して成功率が 99.5% とはるかに高いことが示されています。
MPO への新機能の統合により、治療設計における適応性と有効性が大幅に向上し、複数の特性を効率的に最適化する候補の発見が容易になります。

要約(オリジナル)

In therapeutic design, balancing various physiochemical properties is crucial for molecule development, similar to how Multiparameter Optimization (MPO) evaluates multiple variables to meet a primary goal. While many molecular features can now be predicted using \textit{in silico} methods, aiding early drug development, the vast data generated from high throughput virtual screening challenges the practicality of traditional MPO approaches. Addressing this, we introduce a scaffold focused graph-based Markov chain Monte Carlo framework (ScaMARS) built to generate molecules with optimal properties. This innovative framework is capable of self-training and handling a wider array of properties, sampling different chemical spaces according to the starting scaffold. The benchmark analysis on several properties shows that ScaMARS has a diversity score of 84.6\% and has a much higher success rate of 99.5\% compared to conditional models. The integration of new features into MPO significantly enhances its adaptability and effectiveness in therapeutic design, facilitating the discovery of candidates that efficiently optimize multiple properties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google