ترجمه فارسی مقاله تولید مولکول‌های کوچک هدایت‌شده با مورفولوژی سلولی با GFlowNets

چکیده

High-content phenotypic screening, including high-content imaging (HCI), has gained popularity in the last few years for its ability to characterize novel therapeutics without prior knowledge of the protein target. When combined with deep learning techniques to predict and represent molecular-phenotype interactions, these advancements hold the potential to significantly accelerate and enhance drug discovery applications. This work focuses on the novel task of HCI-guided molecular design. Generative models for molecule design could be guided by HCI data, for example with a supervised model that links molecules to phenotypes of interest as a reward function. However, limited labeled data, combined with the high-dimensional readouts, can make training these methods challenging and impractical. We consider an alternative approach in which we leverage an unsupervised multimodal joint embedding to define a latent similarity as a reward for GFlowNets. The proposed model learns to generate new molecules that could produce phenotypic effects similar to those of the given image target, without relying on pre-annotated phenotypic labels. We demonstrate that the proposed method generates molecules with high morphological and structural similarity to the target, increasing the likelihood of similar biological activity, as confirmed by an independent oracle model.

چکیده به فارسی (ترجمه ماشینی)

غربالگری فنوتیپی با محتوای بالا ، از جمله تصویربرداری با محتوای بالا (HCI) ، در چند سال گذشته به دلیل توانایی خود در توصیف روشهای درمانی جدید و بدون اطلاع قبلی از هدف پروتئین ، محبوبیت خود را به دست آورد.هنگامی که با تکنیک های یادگیری عمیق برای پیش بینی و نشان دادن تعامل مولکولی فنوتیپ همراه است ، این پیشرفت ها این پتانسیل را برای تسریع و تقویت کاربردهای کشف مواد مخدر به همراه دارد.این کار بر وظیفه جدید طراحی مولکولی با هدایت HCI متمرکز است.مدل های تولیدی برای طراحی مولکول می توانند توسط داده های HCI هدایت شوند ، به عنوان مثال با یک مدل نظارت شده که مولکول ها را به عنوان یک عملکرد پاداش به فنوتیپ های مورد علاقه پیوند می دهد.با این حال ، داده های دارای برچسب محدود ، همراه با خواندن های بعدی با ابعاد بالا ، می تواند آموزش این روش ها را به چالش کشیده و غیر عملی کند.ما یک رویکرد جایگزین را در نظر می گیریم که در آن ما از یک تعبیه مشترک چندمودال بدون نظارت استفاده می کنیم تا یک شباهت نهفته را به عنوان پاداش Gflownets تعریف کنیم.مدل پیشنهادی یاد می گیرد که مولکول های جدیدی تولید کند که می تواند جلوه های فنوتیپی مشابه با هدف تصویر داده شده ایجاد کند ، بدون اینکه به برچسب های فنوتیپی از پیش حاشیه نویسی تکیه کند.ما نشان می دهیم که روش پیشنهادی مولکول هایی با شباهت مورفولوژیکی و ساختاری بالا به هدف ایجاد می کند و احتمال فعالیت بیولوژیکی مشابه را افزایش می دهد ، همانطور که توسط یک مدل اوراکل مستقل تأیید شده است.