Fugu-MT 論文翻訳(概要): In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation

論文の概要: In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation

arxiv url: http://arxiv.org/abs/2204.02513v1
Date: Tue, 5 Apr 2022 22:53:51 GMT
ステータス: 処理完了
システム内更新日: 2022-04-07 15:26:46.141303
Title: In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation
Title（参考訳）: 小分子生成におけるLigand-Targetの適合性を高めるIn-Pocket 3Dグラフ
Authors: Seung-gu Kang, Jeffrey K. Weber, Joseph A. Morrone, Leili Zhang, Tien Huynh, Wendy D. Cornell
Abstract要約: 本稿では,関係グラフアーキテクチャ内の3次元タンパク質-リガンド接触を符号化したグラフベース生成モデリング技術を提案する。これらのモデルは、活性特異的な分子生成を可能にする条件付き変分オートエンコーダと、ターゲットの結合ポケット内の分子相互作用の予測を提供する配置接触生成を組み合わせる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Proteins in complex with small molecule ligands represent the core of structure-based drug discovery. However, three-dimensional representations are absent from most deep-learning-based generative models. We here present a graph-based generative modeling technology that encodes explicit 3D protein-ligand contacts within a relational graph architecture. The models combine a conditional variational autoencoder that allows for activity-specific molecule generation with putative contact generation that provides predictions of molecular interactions within the target binding pocket. We show that molecules generated with our 3D procedure are more compatible with the binding pocket of the dopamine D2 receptor than those produced by a comparable ligand-based 2D generative method, as measured by docking scores, expected stereochemistry, and recoverability in commercial chemical databases. Predicted protein-ligand contacts were found among highest-ranked docking poses with a high recovery rate. This work shows how the structural context of a protein target can be used to enhance molecule generation.
Abstract（参考訳）: 小さな分子リガンドを持つタンパク質は、構造に基づく薬物発見の核となる。しかし、3次元表現は多くの深層学習に基づく生成モデルに欠如している。本稿では,関係グラフアーキテクチャ内の3次元タンパク質-リガンド接触を符号化したグラフベース生成モデリング技術を提案する。これらのモデルは、活性特異的な分子生成を可能にする条件付き変分オートエンコーダと、ターゲットの結合ポケット内の分子相互作用の予測を提供する配置接触生成を組み合わせる。 3d法で生成した分子は、ドッキングスコア、期待立体化学、商業化学データベースの回復性によって測定されるように、同等のリガンドベースの2d生成法で生成されるものよりもドーパミンd2受容体の結合ポケットと互換性がある。高い回収率のドッキングポーズのうち、予測されたタンパク質-リガンド接触が見つかった。本研究は、タンパク質標的の構造的文脈が分子生成の促進にどのように役立つかを示す。

関連論文リスト

UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。提案手法は,全タスクにおける最先端手法を超越した手法である。
論文参考訳（メタデータ） (2024-05-29T10:26:16Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
Binding-Adaptive Diffusion Models for Structure-Based Drug Design [33.9764269117599]
我々はバインディング適応拡散モデル(BindDM)という新しいフレームワークを提案する。 BindDMでは,タンパク質-リガンド相互作用に関与する結合部位の重要な部分であるサブ複合体を適応的に抽出する。 BindDMは、より現実的な3D構造を持ち、タンパク質標的に対する高い結合親和性を持つ分子を生成でき、最大5.92 Avg. Vina Scoreを持つ。
論文参考訳（メタデータ） (2024-01-15T00:34:00Z)
DiffDTM: A conditional structure-free framework for bioactive molecules generation targeted for dual proteins [35.72694124335747]
DiffDTMは、二重ターゲット分子生成のための拡散モデルに基づく条件付き構造自由な深層生成モデルである。我々は、DiffDTMが薬物様、合成可能、新規、高結合性アフィニティ分子を生成できることを実証するために、総合的な多視点実験を行った。実験結果から,DiffDTMは見知らぬ二重ターゲットに容易に接続して生体活性分子を生成できることが示唆された。
論文参考訳（メタデータ） (2023-06-24T13:08:55Z)
Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文参考訳（メタデータ） (2023-06-13T14:43:13Z)
Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
論文参考訳（メタデータ） (2023-05-30T06:41:20Z)
An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文参考訳（メタデータ） (2023-04-12T13:34:22Z)
DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
論文参考訳（メタデータ） (2022-11-21T07:02:15Z)
Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
論文参考訳（メタデータ） (2022-08-14T10:41:52Z)
Structure-aware generation of drug-like molecules [2.449909275410288]
深部生成法は、新しい分子をスクラッチから提案する(デノボ設計)。本稿では, 分子間空間における3次元ポーズと協調して分子グラフを生成する新しい教師付きモデルを提案する。ドッキングベンチマークを用いて,ドッキングモデルの評価を行い,ドッキング生成によって予測される結合親和性が8%向上し,薬物類似度が10%向上することが確認された。
論文参考訳（メタデータ） (2021-11-07T15:19:54Z)
Generating 3D Molecules Conditional on Receptor Binding Sites with Deep Generative Models [0.0]
本稿では,受容体結合部位に条件付き3次元分子構造を生成する深層学習システムについて述べる。生成原子密度から有効な分子配座を構築するために原子フィッティング法と結合推論法を適用した。この研究は、ディープラーニングによるタンパク質構造からの安定な生物活性分子のエンドツーエンド予測の扉を開く。
論文参考訳（メタデータ） (2021-10-28T15:17:24Z)

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。