通路引导的深度生成分子设计模型优化用于癌症治疗
机器学习
2024-11-07 v1 定量方法
摘要
数据驱动的药物设计问题可以表述为在巨大、高维且结构化的分子空间上对潜在昂贵的黑盒目标函数进行优化。连接树变分自编码器（JTVAE）已被证明是一种高效的生成模型，可用于建议具有改进性质的合法新型类药小分子。虽然生成分子设计（GMD）方案的性能强烈依赖于初始训练数据，但可以通过优化隐空间来提高其采样效率，从而建议具有增强性质的更好分子。在本工作中，我们提出如何利用机制模型——如由微分方程描述的通路模型——来对 JTVAE 及其他类似模型进行有效的隐空间优化（LSO）。为了展示所提出方法的潜力，我们展示了如何将药理动力学模型——通过预测类药小分子如何调控癌症通路来评估其治疗功效——纳入 GMD 数据驱动模型的有效 LSO 中。
引用
@article{arxiv.2411.03460,
title = {Pathway-Guided Optimization of Deep Generative Molecular Design Models for Cancer Therapy},
author = {Alif Bin Abdul Qayyum and Susan D. Mertins and Amanda K. Paulson and Nathan M. Urban and Byung-Jun Yoon},
journal= {arXiv preprint arXiv:2411.03460},
year = {2024}
}