Fugu-MT 論文翻訳(概要): E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking

論文の概要: E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking

arxiv url: http://arxiv.org/abs/2210.06069v2
Date: Thu, 1 Jun 2023 10:05:06 GMT
ステータス: 処理完了
システム内更新日: 2023-06-03 01:32:45.267238
Title: E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking
Title（参考訳）: E3Bind:タンパク質-リガンドドッキングのためのエンドツーエンドの等価ネットワーク
Authors: Yangtian Zhang, Huiyu Cai, Chence Shi, Bozitao Zhong, Jian Tang
Abstract要約: 我々は、リガンドポーズを反復的に更新するエンドツーエンドの同変ネットワークであるE3Bindを提案する。 E3Bindはドッキングにおける幾何学的制約を慎重に考慮し、タンパク質-リガンド相互作用をモデル化する。標準ベンチマークデータセットの実験は、エンドツーエンドのトレーニング可能なモデルの優れたパフォーマンスを示しています。
参考スコア（独自算出の注目度）: 20.266157559473342
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In silico prediction of the ligand binding pose to a given protein target is a crucial but challenging task in drug discovery. This work focuses on blind flexible selfdocking, where we aim to predict the positions, orientations and conformations of docked molecules. Traditional physics-based methods usually suffer from inaccurate scoring functions and high inference cost. Recently, data-driven methods based on deep learning techniques are attracting growing interest thanks to their efficiency during inference and promising performance. These methods usually either adopt a two-stage approach by first predicting the distances between proteins and ligands and then generating the final coordinates based on the predicted distances, or directly predicting the global roto-translation of ligands. In this paper, we take a different route. Inspired by the resounding success of AlphaFold2 for protein structure prediction, we propose E3Bind, an end-to-end equivariant network that iteratively updates the ligand pose. E3Bind models the protein-ligand interaction through careful consideration of the geometric constraints in docking and the local context of the binding site. Experiments on standard benchmark datasets demonstrate the superior performance of our end-to-end trainable model compared to traditional and recently-proposed deep learning methods.
Abstract（参考訳）: 特定のタンパク質標的に対するリガンド結合反応のシリコ予測は、薬物発見において決定的だが難しい課題である。本研究は, ドッキング分子の位置, 配向, 配向の予測を目的とした, ブラインドフレキシブルな自己ドッキングに焦点を当てる。従来の物理学に基づく手法は通常、不正確なスコアリング機能と高い推論コストに苦しむ。近年,深層学習技術に基づくデータ駆動手法は,推論時の効率や有望な性能により,関心が高まりつつある。これらの方法は通常、まずタンパク質とリガンドの間の距離を予測し、その後、予測された距離に基づいて最終的な座標を生成する2段階のアプローチを採用するか、あるいはリガンドのグローバルロート変換を直接予測する。本稿では,異なる経路を採る。タンパク質構造予測におけるAlphaFold2の再検討の成功に触発されて,リガンドポーズを反復的に更新するエンドツーエンドの同変ネットワークであるE3Bindを提案する。 E3Bindはドッキングにおける幾何学的制約と結合部位の局所的文脈を慎重に考慮し、タンパク質-リガンド相互作用をモデル化する。標準ベンチマークデータセットの実験は、従来の、最近提案されたディープラーニング手法と比較して、エンドツーエンドのトレーニング可能なモデルの優れたパフォーマンスを示している。

関連論文リスト

PLA-SGCN: Protein-Ligand Binding Affinity Prediction by Integrating Similar Pairs and Semi-supervised Graph Convolutional Network [6.024776891570197]
半教師付きグラフ畳み込みネットワーク(GCN)を用いたPLA予測(タスク予測ステップ)において検索したハードタンパク質-リガンドペアを統合することを目的とする。その結果,提案手法は同等の手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-05-13T03:27:02Z)
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)
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)
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)
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)
Pose-Oriented Transformer with Uncertainty-Guided Refinement for 2D-to-3D Human Pose Estimation [51.00725889172323]
本研究では,3次元ポーズ推定のための不確実性ガイド付き多目的変換器(POT)を提案する。我々はまず,人骨のトポロジーを明示的に活用するために,新しいポーズ指向の自己注意機構と距離関連位置埋め込みを開発した。本稿では,特に難解な関節に対するPOTからのポーズ予測を洗練させるために,不確実性誘導型リファインメントネットワーク(UGRN)を提案する。
論文参考訳（メタデータ） (2023-02-15T00:22:02Z)
Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
論文参考訳（メタデータ） (2021-11-15T18:46:37Z)
EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文参考訳（メタデータ） (2021-05-11T03:40:29Z)
Energy-based Graph Convolutional Networks for Scoring Protein Docking Models [19.09624358779376]
タンパク質ドッキングにおける2つの問題は、それぞれ相対的および絶対的なスコアと見なされ、物理に着想を得た1つのディープラーニングフレームワークで対処される。グラフデータから直接、一般化された相互作用エネルギーを学習できるように、エッジ機能を介してノードの機能をプールする新しいグラフ畳み込みカーネルを提案する。得られたエネルギーベースのグラフ畳み込みネットワーク(EGCN)は、多面的な注意を払って、分子内および分子間エネルギー、結合親和性、および遭遇複合体の品質測定(界面RMSD)を予測するために訓練される。
論文参考訳（メタデータ） (2019-12-28T15:57:17Z)

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。