論文の概要: EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction

• arxiv url: http://arxiv.org/abs/2202.05146v1
• Date: Mon, 7 Feb 2022 16:26:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 17:00:40.002058
• Title: EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction
• Title（参考訳）: EquiBind: 薬物結合構造予測のための幾何学的深層学習
• Authors: Hannes St\"ark, Octavian-Eugen Ganea, Lagnajit Pattanaik, Regina Barzilay, Tommi Jaakkola
• Abstract要約: 薬物のような分子が特定のタンパク質標的にどのように結合するかを予測することは、薬物発見における中核的な問題である。 非常に高速な計算結合法は、高速な仮想スクリーニングや薬物工学といった重要な応用を可能にする。 本稿では,SE(3)-同変な幾何学的深層学習モデルであるEquiBindを提案する。
• 参考スコア（独自算出の注目度）: 31.191844909335963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting how a drug-like molecule binds to a specific protein target is a core problem in drug discovery. An extremely fast computational binding method would enable key applications such as fast virtual screening or drug engineering. Existing methods are computationally expensive as they rely on heavy candidate sampling coupled with scoring, ranking, and fine-tuning steps. We challenge this paradigm with EquiBind, an SE(3)-equivariant geometric deep learning model performing direct-shot prediction of both i) the receptor binding location (blind docking) and ii) the ligand's bound pose and orientation. EquiBind achieves significant speed-ups and better quality compared to traditional and recent baselines. Further, we show extra improvements when coupling it with existing fine-tuning techniques at the cost of increased running time. Finally, we propose a novel and fast fine-tuning model that adjusts torsion angles of a ligand's rotatable bonds based on closed-form global minima of the von Mises angular distance to a given input atomic point cloud, avoiding previous expensive differential evolution strategies for energy minimization.
• Abstract（参考訳）: 薬物のような分子が特定のタンパク質標的にどのように結合するかを予測することは、薬物発見における中核的な問題である。 非常に高速な計算結合手法は、高速仮想スクリーニングや薬物工学のような重要な応用を可能にする。 既存の手法は、スコア、ランキング、微調整のステップと合わせて、重い候補サンプリングに依存するため、計算コストがかかる。 両者の直接ショット予測を行うSE(3)等変幾何深層学習モデルであるEquiBindで、このパラダイムに挑戦する。 一 受容体結合位置(ブラインドドッキング)及び 二 リガンドの束縛されたポーズ及び向き equibindは従来のベースラインや最近のベースラインと比べて、大幅なスピードアップと品質向上を実現している。 さらに,既存の微調整技術と組み合わせることで,ランニング時間の増加を犠牲にすることで,さらなる改善を示す。 最後に,von Mises角距離から与えられた入力原子点雲への閉形式大域最小値に基づいて,リガンドの回転可能な結合のねじれ角を調整し,エネルギー最小化のための従来の高価な微分進化戦略を回避する新しい高速微調整モデルを提案する。

関連論文リスト

• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• ETDock: A Novel Equivariant Transformer for Protein-Ligand Docking [36.14826783009814]
  従来のドッキング法は、タンパク質と薬物のドッキングを予測するために、スコアリング機能とディープラーニングに依存している。 本稿では,タンパク質リガンドドッキングポーズ予測のためのトランスフォーマーニューラルネットワークを提案する。 実データを用いた実験結果から,本モデルが最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-12T06:23:12Z)
• FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
  $mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。 提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
  論文  参考訳（メタデータ） (2023-10-10T16:39:47Z)
• Unsupervised Protein-Ligand Binding Energy Prediction via Neural Euler's Rotation Equation [18.70508112639968]
  タンパク質リガンド結合予測は、AIによる薬物発見の根本的な問題である。 本稿では,教師なしアプローチを探求し,生成的モデリングタスクとしての結合エネルギー予測を再構成する。 本研究は,SE(3)デノナイズスコアマッチングを用いて,タンパク質-リガンド複合体の集合上でエネルギーベースモデルを訓練し,結合親和性としてログ類似度を解釈する。
  論文  参考訳（メタデータ） (2023-01-25T20:33:51Z)
• STORM+: Fully Adaptive SGD with Momentum for Nonconvex Optimization [74.1615979057429]
  本研究では,スムーズな損失関数に対する期待値である非バッチ最適化問題について検討する。 我々の研究は、学習率と運動量パラメータを適応的に設定する新しいアプローチとともに、STORMアルゴリズムの上に構築されている。
  論文  参考訳（メタデータ） (2021-11-01T15:43:36Z)
• Error-Correcting Neural Networks for Semi-Lagrangian Advection in the Level-Set Method [0.0]
  本稿では,画像超解像技術とスカラートランスポートを融合した機械学習フレームワークを提案する。 我々は,インターフェースの粗いメッシュ進化における数値粘度を最小化するために,オンザフライデータ駆動補正を計算できるかどうかを検討する。
  論文  参考訳（メタデータ） (2021-10-22T06:36:15Z)
• Acceleration Methods [57.202881673406324]
  まず2次最適化問題を用いて加速法を2つ導入する。 我々は、ネステロフの精巧な研究から始まる運動量法を詳細に論じる。 我々は、ほぼ最適な収束率に達するための一連の簡単な手法である再起動スキームを議論することで結論付ける。
  論文  参考訳（メタデータ） (2021-01-23T17:58:25Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Learning to Optimize Non-Rigid Tracking [54.94145312763044]
  我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。 まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。 次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
  論文  参考訳（メタデータ） (2020-03-27T04:40:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。