ГЕНЕРАТИВНЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ДЛЯ РАЗРАБОТКИ ЛЕКАРСТВ DE NOVO: НОВЫЕ РУБЕЖИ В ОБЛАСТИ МОЛЕКУЛ

Ф.Т. Адылова; Р.Р. Давронов

Авторы

Ф.Т. Адылова Институт математики имени В. И. Романовского Академии наук Республики Узбекистан Автор
Р.Р. Давронов Институт математики имени В. И. Романовского Академии наук Республики Узбекистан Автор

Ключевые слова:

генеративные модели, биологические соединения, малые молекулы, наборы данных, контрольные показатели, архитектура моделей, квантовые вычисления, QSAR

Аннотация

Методы, основанные на искусственном интеллекте, могут значительно улучшить традиционный дорогостоящий процесс разработки лекарств, учитывая тот факт, что различные генеративные модели уже широко используются в химии. Генеративные модели для разработки лекарств de novo, сосредоточены на создании новых биологических соединений полностью с нуля, что представляет собой многообещающее направление в будущем. Быстрое развитие в этой области в сочетании с присущей процессу разработки лекарств сложностью создает непростые условия для исследователей. В рамках темы создания малых молекул мы определяем множество под задач и приложений, выделяя важные наборы данных, контрольные показатели, архитектуру моделей и сравниваем производительность лучших моделей. В обзоре представлены ключевые достижения в этой области, включая появление квантовых вычислений, которые обещают дальнейшее ускорение применения глубокого QSAR для поддержки автоматизированного проектирования лекарств в области молекул.

Библиографические ссылки

Tropsha A. et al. Integrating QSAR modelling and deep learning in drug discovery: the emergence of deep QSAR // Nature Reviews Drug Discovery.– 2024.– Vol. 23.– P. 141–155.– doi: http://dx.doi.org/10.1038/s41573-023-00832-0.

Tang X. et al. A Survey of Generative AI for de novo Drug Design: New Frontiers in Molecule and Protein Generation //arXiv.– 2024.– https://arxiv.org/html/2402.08703v1.

Wang M. et al. Deep learning approaches for de novo drug design: An overview // Current Opinion in Structural Biology.– 2022.– Vol. 72.– P. 135-144.– doi: http://dx.doi.org/ 10.1016/j.sbi.2021.10.001.

Liu X. et al. Computational approaches for de novo drug design: past, present, and future // Methods Mol Biol..– 2021.– Vol. 2190.– P. 139-165.– doi: http://dx.doi.org/10.1007/ 978-1-0716-0826-5_6.

DiMasi J.A., Grabowski H.G., Hansen R.W. Innovation in the pharmaceutical industry: new estimates of r&d costs // Journal of health economics.– 2016.– Vol. 47.– P. 20-33.

Jayatunga M. et al. AI in small-molecule drug discovery: a coming wave? // Nature Reviews Drug Discovery.– 2022.– Vol. 21.– P. 175-176.

Zhang M. et al. A survey on graph diffusion models: Generative ai in science for molecule, protein and material // arXiv.– 2023.– https://arxiv.org/abs/2304.01565.

Guo Z. et al. Diffusion models in bioinformatics: A new wave of deep learning revolution in action // arXiv.– 2023.– https://arxiv.org/abs/2302.10907.

Goodfellow I. et al. Generative adversarial nets // arXiv.– 2014.– https://arxiv.org/ abs/1406.2661.

Kingma D., Welling M. Auto-encoding variational bayes // arXiv.– 2013.– https:// arxiv.org/abs/1312.6114.

Rezende D., Mohamed Sh. Variational inference with normalizing flows // arXiv.– 2015. https://arxiv.org/abs/1505.05770.

Yang L. et al. Diffusion models: A comprehensive survey of methods and applications // arXiv.– 2022.– https://arxiv.org/abs/2209.00796.

Ho J., Jain A., Abbeel P. Denoising diffusion probabilistic models // Advances in neural information processing systems.– 2020.– Vol. 33.– P. 6840-6851.

Song Y., Ermon S. Generative modeling by estimating gradients of the data distribution // arXiv.– 2019.– https://arxiv.org/abs/1907.05600.

Song Y. et al. Score based generative modeling through stochastic differential equations // arXiv.– 2020.– https://arxiv.org/abs/2011.13456.

Austin J. Structured denoising diffusion models in discrete state-spaces // Advances in Neural Information Processing Systems.– 2021.– Vol. 34.– P. 17981-17993

Satorras V.G., Hoogeboom E., Welling M. E(n) Equivariant Graph Neural Networks // arXiv.– 2021.– https://arxiv.org/abs/2102.09844.

Tang X. et al. Mollm: A unified language model for integrating biomedical text with 2d and 3d molecular representations // bioRxiv.– 2023.– doi: http://dx.doi.org/10.1101/ 2023.11.25.568656.

Ramakrishnan R. et al. Quantum chemistry structures and properties of 134 kilo molecules // Scientific data.– 2014.– No. 1(1).– P. 1-7.

Axelrod S., Gomez-Bombarelli R. Geom, energy-annotated molecular conformations for property prediction and molecular generation // Scientific Data.– 2022.– No. 9(1). P. 185

Bickerton G.R. et al. Quantifying the chemical beauty of drugs // Nature chemistry. 2012.– No. 4(2).– P. 90–98.

G´omez-Bombarelli R. et al. Automatic chemical design using a data-driven continuous representation of molecules // ACS central science.– 2018.– No. 4(2).– P. 268–276.

Jin W., Barzilay R., Jaakkola T. Junction tree variational autoencoder for molecular graph generation // arXiv.– 2018.– https://arxiv.org/abs/1802.04364.

Satorras V.G. et al. E(n) Equivariant normalizing flows // arXiv.– 2021.– https://arxiv. org/abs/2105.09016.

Gebauer N., Gastegger M., Schutt K. Symmetry-adapted generation of 3d point sets for the targeted discovery of molecules // arXiv.– 2019.– https://arxiv.org/abs/1906.00957.

Hoogeboom E. et al. Equivariant diffusion for molecule generation in 3d // arXiv.– 2022. https://arxiv.org/abs/2203.17003.

Alex Morehead, Jianlin Cheng Geometry-complete diffusion for 3d molecule generation // arXiv.– 2023.– https://arxiv.org/abs/2302.04313.

Huang L. et al. Mdm: Molecular diffusion model for 3d molecule generation // arXiv. 2022.– https://arxiv.org/abs/2209.05710.

Xu M. et al. Geometric latent diffusion models for 3d molecule generation // arXiv.– 2023. https://arxiv.org/abs/2305.01140.

Huang H. et al. Learning joint 2d & 3d diffusion models for complete molecule generation // arXiv.– 2023.– https://arxiv.org/abs/2305.12347.

Vignac C. et al. Midi: Mixed graph and 3d denoising diffusion for molecule generation // arXiv.– 2023.– https://arxiv.org/abs/2302.09048.

Zubatiuk T., Isayev O. Development of multimodal machine learning potentials: toward a physics-aware artificial intelligence // Acc. Chem. Res. .– 2021.– Vol. 54.– P. 1575-1585.

Behler J. Four generations of high-dimensional neural network potentials // Chem. Rev. . 2021.– Vol. 121.– P. 10037-10072.

Smith J.S. et al. Less is more: sampling chemical space with active learning // J. Chem. Phys.– 2018.– Vol. 148.– 241733.

Smith J.S., Isayev O., Roitberg A.E. ANI-1: an extensible neural network potential with DFT accuracy at force field computational cost // Chem. Sci.– 2017.– Vol. 8.– P. 3192 3203.

Zubatyuk R. et al. Accurate and transferable multitask prediction of chemical properties with an atoms-in-molecules neural network // ScienceAdvances .– 2019.– Vol. 5.– doi: http: //dx.doi.org/10.1126/sciadv.aav6490.

Li J. et al. Drug discovery approaches using quantum machine learning // arXiv.– 2021. https://arxiv.org/abs/2104.00746.

Romero J., Olson J.P., Aspuru-Guzik A. Quantum autoencoders for efficient compression of quantum data // Quantum Sci. Technol.– 2017.– Vol. 2.– 045001.

Xiang W. et al. Application of High Throughput Technologies in the Development of Acute Myeloid Leukemia Therapy: Challenges and Progress // Int. J. Mol. Sci..–2022.– Vol. 23.– 2863.– doi: http://dx.doi.org/10.3390/ijms23052863.

Cavasotto C.N. Binding free energy calculation using quantum mechanics aimed for drug lead optimization // Methods Mol. Biol.– 2020.– Vol. 2114.– P. 257-268.

Heinen, S. et al Predicting toxicity by quantum machine learning. // J. Phys. Commun. 2020.– Vol. 4.– 125012.

Outeiral, C. et al The prospects of quantum computing in computational molecular biology. // Wiley Interdiscip. Rev. Comput. Mol. Sci.– 2015.– Vol. 11.– e1481.

Jayatunga M.K.P. et al. AI in small-molecule drug discovery: a coming wave? // Nature Reviews Drug Discovery.– 2022.– Vol. 21.– P. 175-176.

Innovations in and around generative AI dominate and have transformative impact / Jackie Wiles.– 2022.– URL: https://shorturl.at/qBFN3.