論文の概要: DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking
- arxiv url: http://arxiv.org/abs/2210.01776v1
- Date: Tue, 4 Oct 2022 17:38:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 15:52:15.388426
- Title: DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking
- Title(参考訳): DiffDock:分子ドッキングのための拡散ステップ、ツイスト、ターン
- Authors: Gabriele Corso, Hannes St\"ark, Bowen Jing, Regina Barzilay, Tommi
Jaakkola
- Abstract要約: タンパク質への小さな分子リガンドの結合構造を予測することは、薬物設計にとって重要である。
近年, ドッキングを回帰問題として扱う深層学習法は, 従来の検索手法に比べて実行時間が少なくなっている。
我々は、分子ドッキングを生成的モデリング問題とし、非ユークリッド多様体上のリガンドポーズの拡散生成モデルであるDiffDockを開発した。
- 参考スコア(独自算出の注目度): 28.225704750892795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the binding structure of a small molecule ligand to a protein -- a
task known as molecular docking -- is critical to drug design. Recent deep
learning methods that treat docking as a regression problem have decreased
runtime compared to traditional search-based methods but have yet to offer
substantial improvements in accuracy. We instead frame molecular docking as a
generative modeling problem and develop DiffDock, a diffusion generative model
over the non-Euclidean manifold of ligand poses. To do so, we map this manifold
to the product space of the degrees of freedom (translational, rotational, and
torsional) involved in docking and develop an efficient diffusion process on
this space. Empirically, DiffDock obtains a 38% top-1 success rate (RMSD<2A) on
PDBBind, significantly outperforming the previous state-of-the-art of
traditional docking (23%) and deep learning (20%) methods. Moreover, DiffDock
has fast inference times and provides confidence estimates with high selective
accuracy.
- Abstract(参考訳): タンパク質への小さな分子リガンド(分子ドッキングとして知られる)の結合構造を予測することは、薬物設計にとって重要である。
近年, ドッキングを回帰問題として扱う深層学習法は, 従来の検索手法に比べて実行時間が少なくなっているが, 精度は大幅に向上していない。
代わりに分子ドッキングを生成的モデリング問題としてフレーム化し、リガンドの非ユークリッド多様体上の拡散生成モデルdiffdockを開発した。
そのため、この多様体を、ドッキングに関連する自由度(推移的、回転的、ねじれ的)の積空間に写像し、この空間上の効率的な拡散過程を開発する。
実証的には、DiffDockはPDBBind上で38%のトップ-1成功率(RMSD<2A)を取得し、従来のドッキング(23%)とディープラーニング(20%)の手法を著しく上回っている。
さらにdiffdockは高速な推論時間を持ち、高い選択精度で信頼度を見積もる。
関連論文リスト
- Dockformer: A transformer-based molecular docking paradigm for large-scale virtual screening [29.947687129449278]
ディープラーニングアルゴリズムは、ドッキングプロセスのスピードを高めるために、データ駆動リサーチと開発モデルを提供することができる。
本研究では,Dockformerという,ディープラーニングに基づくドッキング手法を紹介する。
実験の結果、DockformerはPDBbindコアセットとPoseBustersベンチマークでそれぞれ90.53%と82.71%の成功率を達成した。
論文 参考訳(メタデータ) (2024-11-11T06:25:13Z) - RapidDock: Unlocking Proteome-scale Molecular Docking [0.0]
現在の分子ドッキングツールは、関連するすべてのタンパク質に対して潜在的な薬物をスクリーニングするには遅すぎる。
我々は、ブラインド分子ドッキングのための効率的なトランスフォーマーベースモデルであるRapidDockを紹介する。
RapidDockは、精度を損なうことなく、既存のメソッドに対して少なくとも100倍の速度で優位に立つ。
論文 参考訳(メタデータ) (2024-10-16T09:28:59Z) - DeltaDock: A Unified Framework for Accurate, Efficient, and Physically Reliable Molecular Docking [15.205550571902366]
分子ドッキングはタンパク質-リガンド相互作用を理解するために構造に基づく薬物設計において重要である。
近年のドッキング法の発展により,従来のサンプリング法に比べて効率と精度が著しく向上した。
ポケット予測とサイト固有のドッキングからなる新しい2段階ドッキングフレームワークDeltaDockを提案する。
論文 参考訳(メタデータ) (2024-10-15T03:09:06Z) - Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。
これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。
提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
論文 参考訳(メタデータ) (2024-08-15T16:47:59Z) - 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) - 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) - Quantum-Inspired Machine Learning for Molecular Docking [9.16729372551085]
分子ドッキングは、構造に基づく薬物設計において重要なツールであり、薬物開発効率を向上する。
結合部位やコンホメーションの探索による従来のドッキングは計算が複雑であり、盲点ドッキングでは不十分である。
量子特性と空間最適化問題を組み合わせた量子インスピレーションアルゴリズムを提案する。
本手法は従来のドッキングアルゴリズムとディープラーニングに基づくアルゴリズムを10%以上上回る性能を示した。
論文 参考訳(メタデータ) (2024-01-22T09:16:41Z) - Multi-scale Iterative Refinement towards Robust and Versatile Molecular
Docking [17.28573902701018]
分子ドッキング(英: molecular docking)は、小分子のタンパク質標的への結合コンホメーションを予測するために使われる重要な計算ツールである。
我々は、効率的な分子ドッキング用に設計された堅牢で汎用的なフレームワークであるDeltaDockを紹介する。
論文 参考訳(メタデータ) (2023-11-30T14:09:20Z) - 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) - Structural Pruning for Diffusion Models [65.02607075556742]
Diff-Pruningは、既存のものから軽量拡散モデルの学習に適した効率的な圧縮手法である。
複数のデータセットにまたがって実施した経験的評価は,提案手法の2つの利点を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-05-18T12:38:21Z) - DiffDock-PP: Rigid Protein-Protein Docking with Diffusion Models [47.73386438748902]
DiffDock-PPは拡散生成モデルであり、非有界タンパク質構造をそれらの有界配座に翻訳し回転させる。
中央値C-RMSDが4.85でDIPSの最先端性能を達成し,すべてのベースラインを上回りました。
論文 参考訳(メタデータ) (2023-04-08T02:10:44Z)
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。