SyntaLinker: автоматическое соединение фрагментов с использованием глубоких условных трансформерных нейронных сетей
SyntaLinker: automatic fragment linking with deep conditional transformer neural networks
2020-01-01
SCID: 54.1/ycxk9hd4
Discuss with AI
синтаксические паттерны SMILESавтоматическое связывание фрагментовусловные трансформерные нейронные сетифрагмент-ориентированный поиск лекарствгенерация молекулярных структур
Figures from the paper
Abstract (AI)
База данных ChEMBL). Традиционно соединение молекулярных фрагментов рассматривалось как объединение субструктур, заранее заданных эмпирическими правилами. Однако в SyntaLinker правила соединения фрагментов могут неявно обучаться на известных химических структурах путем распознавания синтаксических закономерностей, заложенных в нотациях SMILES. С помощью глубоких условных трансформерных нейронных сетей SyntaLinker способен генерировать молекулярные структуры на основе заданной пары фрагментов и дополнительных ограничений. Тематические исследования продемонстрировали преимущества и практическую полезность SyntaLinker в методах проектирования лекарств на основе фрагментов (FBDD).
Key Findings
1
Практические примеры демонстрируют преимущества и полезность SyntaLinker для фрагмент-ориентированного поиска лекарственных средств (FBDD).
2
SyntaLinker неявно обучается правилам связывания фрагментов на основе известных химических структур, распознавая синтаксические закономерности в SMILES-представлениях.
3
SyntaLinker поддерживает генерацию молекул с дополнительными структурными ограничениями, помимо условия на пару фрагментов.
4
Метод использует глубокие условные трансформерные нейронные сети для генерации молекул по заданной паре фрагментов.
Research Object
молекулярные фрагменты и молекулярные структуры, генерируемые их связыванием
Research Subject
обучаемые правила и условная генерация молекулярных структур для связывания заданной пары фрагментов с учётом дополнительных ограничений
Publication Details
Publication Date
2020-01-01
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest