用于 COVID-19 药物发现的遗传约束图变分自编码器
机器学习
2021-04-26 v1 定量方法
摘要
在过去数月间，COVID-19 已蔓延全球，对人民和社会造成严重损害。在这一严峻形势下，一种用于生成潜在药物的有效药物发现方法极具意义。本文中，我们提供一种发现用于治疗严重急性呼吸综合征冠状病毒 2（俗称 SARS-CoV-2）的潜在药物的方法论。我们提出一种称为遗传约束图变分自编码器(Genetic Constrained Graph Variational Autoencoder, GCGVAE)的新模型来解决此问题。我们基于多种病毒蛋白结构数据（包括 SARS、HIV、Hep3 和 MERS 的蛋白结构）训练模型，并用其生成针对 SARS-CoV-2 的可能药物。若干优化算法，包括价态掩码和遗传算法，被用于微调我们的模型。根据仿真，我们生成的分子在抑制 SARS-CoV-2 方面具有极佳有效性。我们定量计算了所生成分子的分数，并与现有药物的分数进行比较，结果显示我们生成的分子分数远优于那些现有药物。此外，给定其他病毒的蛋白结构，我们的模型也可用于生成治疗它们的有效药物，从而可为未来病毒生成药物。
引用
@article{arxiv.2104.11674,
title = {Genetic Constrained Graph Variational Autoencoder for COVID-19 Drug Discovery},
author = {Tianyue Cheng and Tianchi Fan and Landi Wang},
journal= {arXiv preprint arXiv:2104.11674},
year = {2021}
}