서지주요정보
A feedback generative model for De Novo drug design = 약물 디자인을 위한 피드백 생성 모델
서명 / 저자 A feedback generative model for De Novo drug design = 약물 디자인을 위한 피드백 생성 모델 / ShangJin Han.
저자명 Han, ShangJin ; ShangJin Han
발행사항 [대전 : 한국과학기술원, 2020].
Online Access 원문보기 원문인쇄

소장정보

등록번호

8036503

소장위치/청구기호

학술문화관(도서관)2층 패컬티라운지(학위논문)

MBIS 20031

휴대폰 전송

도서상태

이용가능

대출가능

반납예정일

초록정보

Artificial intelligence technology has made significant progress in many fields of medicine. It can integrate a large amount of genetic and molecular data, pharmacological data in the field of new drug research and development, conduct effective target screening and drug design, save drug research and development costs, and shorten drug development time. This article takes Discoidin Domain Receptor 1 (DDR1) as the target and generates potential DDR1 kinase inhibitors, which are used for treatment of fibrosis and other diseases. This article uses a modified generative tensorial reinforcement learning (GENTRL) as the core of the model, uses Self-Referencing Embedded Strings (SELFIES) instead of the most commonly used Simplified Molecular Input Line Entry System (SMILES) as the molecular encoding method, and uses a feedback mechanism and optimize model performance and generate high-quality potential DDR1 kinase inhibitors. We show that the modified GENTRL model can effectively generate highly effective molecules, and SELFIES can improve the valid percentage of generated molecules compared to SMILES and allow the model to produce highly valid molecules in a shorter time. In addition, the feedback mechanism can effectively increase the docking score of the generated molecules with target protein, generating compounds with better binding affinity to the DDR1 protein site.

인공 지능 기술은 많은 의학 분야에서 상당한 진전을 이루었습니다. 새로운 약물 연구 및 개발 분야의 다량의 유전자 및 분자 데이터, 약리학 적 데이터를 통합하고, 효과적인 표적 선별 및 약물 설계를 수행하고, 약물 연구 및 개발 비용을 절감하고, 약물 개발 시간을 단축 할 수 있습니다. 이 기사는 Discoidin Domain Receptor 1 (DDR1)을 목표로 삼고 섬유증 및 기타 질병의 치료에 사용되는 잠재적 DDR1 키나제 억제제를 생성합니다. 이 기사에서는 모델의 핵심으로 수정 된 생성 텐서 강화 학습 (GENTRL)을 사용하고 분자 인코딩 방법으로 가장 일반적으로 사용되는 단순화 된 분자 입력 라인 입력 시스템 (SMILES) 대신 자체 참조 임베디드 문자열 (SELFIES)을 사용합니다. 피드백 메커니즘을 사용하고 모델 성능을 최적화하고 고품질의 잠재적 DDR1 키나제 억제제를 생성합니다. 우리는 수정 된 GENTRL 모델이 효과적으로 효과적인 분자를 생성 할 수 있으며, SELFIES가 SMILES에 비해 생성 된 분자의 유효 비율을 향상시키고 모델이 짧은 시간에 매우 유효한 분자를 생성 할 수 있음을 보여줍니다. 또한, 피드백 메커니즘은 표적 단백질로 생성 된 분자의 도킹 스코어를 효과적으로 증가시켜 DDR1 단백질 부위에 대한 결합 친화력이 더 우수한 화합물을 생성 할 수있다.

서지기타정보

서지기타정보
청구기호 {MBIS 20031
형태사항 iii, 32 p. : 삽도 ; 30 cm
언어 영어
일반주기 저자명의 한글표기 : ShangJin Han
지도교수의 영문표기 : Kim, Dongsup
지도교수의 한글표기 : 김동섭
학위논문 학위논문(석사) - 한국과학기술원 : 바이오및뇌공학과,
서지주기 References : p. 28-30
주제 deep generative model
DDR1 kinase inhibitors
feedback
variational autoencoder
reinforcement learning
깊은 생성 모델
DDR1 kinase inhibitors
피드백
variational autoencoder
강화 학습
QR CODE qr code