基于细胞形态引导的小分子生成——GFlowNets
机器学习
2024-08-12 v1 生物大分子
摘要
高内容表型筛选，包括高内容成像（HCI），近年来因其能够在无需先知蛋白靶点的知识下表征新型治疗药物而受到欢迎。当与深度学习技术结合用于预测和表示分子-表型相互作用时，这些进步有望显著加速并提升药物发现应用。本工作聚焦于HCI引导的分子设计任务。分子设计的生成模型可以通过HCI数据引导，例如使用将分子与感兴趣表型关联的监督模型作为奖励函数。然而，受限于标注数据和高维读出结果，这些方法的训练可能具有挑战性且不实用。我们考虑另一种方法，即利用无监督的多模态联合嵌入来定义潜在相似性作为GFlowNets的奖励。 proposed model（提出的模型）学习生成新的分子，这些分子能够产生与给定图像目标相似的表型效应，而无需依赖预先标注的表型标签。我们证明，所提方法生成的分子在形态学和结构上与目标具有高相似性，这已由独立的oracle模型确认，增加了类似生物学活性的可能性。
引用
@article{arxiv.2408.05196,
title = {Cell Morphology-Guided Small Molecule Generation with GFlowNets},
author = {Stephen Zhewen Lu and Ziqing Lu and Ehsan Hajiramezanali and Tommaso Biancalani and Yoshua Bengio and Gabriele Scalia and Michał Koziarski},
journal= {arXiv preprint arXiv:2408.05196},
year = {2024}
}