論文の概要: Generating 3D Molecules for Target Protein Binding

• arxiv url: http://arxiv.org/abs/2204.09410v1
• Date: Tue, 19 Apr 2022 17:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 13:42:47.097717
• Title: Generating 3D Molecules for Target Protein Binding
• Title（参考訳）: 標的タンパク質結合のための3d分子の生成
• Authors: Meng Liu, Youzhi Luo, Kanji Uchino, Koji Maruhashi, and Shuiwang Ji
• Abstract要約: 薬物発見の根本的な問題は、特定のタンパク質に結合する分子を設計することである。 タンパク質に結合する3D分子を生成するための新規で効果的なフレームワークであるGraphBPを提案する。
• 参考スコア（独自算出の注目度）: 37.43878987540381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental problem in drug discovery is to design molecules that bind to specific proteins. To tackle this problem using machine learning methods, here we propose a novel and effective framework, known as GraphBP, to generate 3D molecules that bind to given proteins by placing atoms of specific types and locations to the given binding site one by one. In particular, at each step, we first employ a 3D graph neural network to obtain geometry-aware and chemically informative representations from the intermediate contextual information. Such context includes the given binding site and atoms placed in the previous steps. Second, to preserve the desirable equivariance property, we select a local reference atom according to the designed auxiliary classifiers and then construct a local spherical coordinate system. Finally, to place a new atom, we generate its atom type and relative location w.r.t. the constructed local coordinate system via a flow model. We also consider generating the variables of interest sequentially to capture the underlying dependencies among them. Experiments demonstrate that our GraphBP is effective to generate 3D molecules with binding ability to target protein binding sites. Our implementation is available at https://github.com/divelab/GraphBP.
• Abstract（参考訳）: 薬物発見の根本的な問題は、特定のタンパク質に結合する分子を設計することである。 機械学習手法を用いてこの問題に対処するため, 与えられた結合部位に特定の型や位置の原子を1個ずつ配置することにより, 与えられたタンパク質に結合する3D分子を生成する, グラフBPと呼ばれる新規で効果的なフレームワークを提案する。 特に,各ステップでまず3次元グラフニューラルネットワークを用いて,中間的文脈情報から幾何学的・化学的情報的表現を得る。 そのような文脈は、与えられた結合部位と前のステップに置かれる原子を含む。 次に、所望の等分散性を維持するため、設計した補助分類器に従って局所参照原子を選択し、局所球座標系を構築する。 最後に、新しい原子を配置するために、その原子タイプと相対位置w.r.t.をフローモデルを介して構築した局所座標系を生成する。 また、それらの間の基盤となる依存関係をキャプチャするために、関心のある変数を順次生成することも検討しています。 実験により, タンパク質結合部位に対する結合能を有する3d分子の生成に, graphbpが有効であることが示された。 私たちの実装はhttps://github.com/divelab/graphbpで利用可能です。

関連論文リスト

• EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction [49.674494450107005]
  標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。 本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。
  論文  参考訳（メタデータ） (2023-02-23T17:18:26Z)
• 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)
• A 3D Molecule Generative Model for Structure-Based Drug Design [18.29582138009123]
  構造に基づく薬物設計において、特定のタンパク質結合部位に結合する分子を生成するという根本的な問題を研究する。 指定された3Dタンパク質結合部位に与えられた分子を生成する3D生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-20T03:54:47Z)
• Direct Molecular Conformation Generation [217.4815525740703]
  本稿では,原子の座標を直接予測する手法を提案する。 提案手法は,4つの公開ベンチマークの最先端結果を実現する。
  論文  参考訳（メタデータ） (2022-02-03T01:01:58Z)
• 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)
• 3D-Transformer: Molecular Representation with Transformer in 3D Space [11.947499562836953]
  3Dトランスフォーマー(3D-Transformer)は、3D空間情報を組み込んだ分子表現用トランスフォーマーの変種である。 本実験は, 結晶特性予測タスクとタンパク質-リガンド結合親和性予測タスクにおいて, 最先端モデルに対して有意な改善が認められた。
  論文  参考訳（メタデータ） (2021-10-04T05:11:23Z)
• Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular Graphs [79.06686274377009]
  我々は、約400万分子の正確な基底状態のジオメトリーを持つデータセットを含むMolecule3Dと呼ばれるベンチマークを開発する。 我々は3次元空間における原子と原子の対距離を予測する2つのベースライン法を実装した。 本手法は予測精度に匹敵する精度を達成できるが,計算コストははるかに小さい。
  論文  参考訳（メタデータ） (2021-09-30T22:09:28Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Spherical convolutions on molecular graphs for protein model quality assessment [0.0]
  本研究では,分子グラフとして表されるタンパク質の3次元モデルを処理する球状グラフ畳み込みネットワーク(S-GCN)を提案する。 タンパク質モデル品質評価問題の枠組みの中で,提案した球面畳み込み法がモデル評価の質を著しく向上することを示す。
  論文  参考訳（メタデータ） (2020-11-16T14:22:36Z)

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。