Graph-structured Small Molecule Drug Discovery Through Deep Learning: Progress, Challenges, and Opportunities

要約

それらの優れた薬物様および薬物動態特性により、小分子薬はさまざまな疾患の治療に広く使用されており、創薬の重要な要素となっています。
近年、ディープラーニング（DL）技術の急速な発展により、DLベースの小分子薬物発見方法は、従来の機械学習アプローチと比較して、予測精度、速度、複雑な分子関係モデリングの優れた性能を達成しました。
これらの進歩は、薬物スクリーニングの効率と最適化を高め、さまざまな創薬タスクに対してより正確で効果的なソリューションを提供します。
この分野の開発に貢献して、このペーパーは、近年のグラフ構造小分子薬物発見における最近の重要なタスクと代表的な手法を体系的に要約し、一般化することを目的としています。
具体的には、小分子薬物の発見とそれらの相互関係における主要なタスクの概要を提供します。
次に、6つのコアタスクを分析し、関連する方法、一般的に使用されるデータセット、および技術開発動向を要約します。
最後に、解釈可能性や分散型の一般化などの重要な課題について説明し、小分子創薬の将来の研究方向性に関する洞察を提供します。

要約(オリジナル)

Due to their excellent drug-like and pharmacokinetic properties, small molecule drugs are widely used to treat various diseases, making them a critical component of drug discovery. In recent years, with the rapid development of deep learning (DL) techniques, DL-based small molecule drug discovery methods have achieved excellent performance in prediction accuracy, speed, and complex molecular relationship modeling compared to traditional machine learning approaches. These advancements enhance drug screening efficiency and optimization and provide more precise and effective solutions for various drug discovery tasks. Contributing to this field’s development, this paper aims to systematically summarize and generalize the recent key tasks and representative techniques in graph-structured small molecule drug discovery in recent years. Specifically, we provide an overview of the major tasks in small molecule drug discovery and their interrelationships. Next, we analyze the six core tasks, summarizing the related methods, commonly used datasets, and technological development trends. Finally, we discuss key challenges, such as interpretability and out-of-distribution generalization, and offer our insights into future research directions for small molecule drug discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google