論文の概要: Structure-based Drug Design with Equivariant Diffusion Models
- arxiv url: http://arxiv.org/abs/2210.13695v1
- Date: Mon, 24 Oct 2022 15:51:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 15:51:27.501844
- Title: Structure-based Drug Design with Equivariant Diffusion Models
- Title(参考訳): 等価拡散モデルを用いた構造に基づく薬物設計
- Authors: Arne Schneuing, Yuanqi Du, Charles Harris, Arian Jamasb, Ilia Igashov,
Weitao Du, Tom Blundell, Pietro Li\'o, Carla Gomes, Max Welling, Michael
Bronstein, Bruno Correia
- Abstract要約: 本稿では,タンパク質ポケット上に新しい条件を生成するE(3)等価な3D条件拡散モデルDiffSBDDを提案する。
我々は,Bing MOADから実験的に決定された結合複合体の新たなデータをキュレートし,現実的な結合シナリオを提供する。
サイリコ実験では、新鮮で多様な薬物のようなデータセットを生成する上で、DiffSBDDの効率を実証している。
- 参考スコア(独自算出の注目度): 43.12251246600906
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Structure-based drug design (SBDD) aims to design small-molecule ligands that
bind with high affinity and specificity to pre-determined protein targets.
Traditional SBDD pipelines start with large-scale docking of compound libraries
from public databases, thus limiting the exploration of chemical space to
existent previously studied regions. Recent machine learning methods approached
this problem using an atom-by-atom generation approach, which is
computationally expensive. In this paper, we formulate SBDD as a 3D-conditional
generation problem and present DiffSBDD, an E(3)-equivariant 3D-conditional
diffusion model that generates novel ligands conditioned on protein pockets.
Furthermore, we curate a new dataset of experimentally determined binding
complex data from Binding MOAD to provide a realistic binding scenario that
complements the synthetic CrossDocked dataset. Comprehensive in silico
experiments demonstrate the efficiency of DiffSBDD in generating novel and
diverse drug-like ligands that engage protein pockets with high binding
energies as predicted by in silico docking.
- Abstract(参考訳): SBDD(Structure-based drug design)は、タンパク質標的に高親和性と特異性に結合する小分子リガンドを設計することを目的としている。
従来のsbddパイプラインは、公開データベースから複合ライブラリを大規模にドッキングすることから始まる。
近年の機械学習手法では、計算コストの高い原子単位生成手法を用いてこの問題にアプローチしている。
本稿では,SBDDを3次元条件生成問題として定式化し,タンパク質ポケットに条件付きリガンドを生成するE(3)等価な3次元条件拡散モデルDiffSBDDを提案する。
さらに、Binding MOADから実験的に決定された複雑なデータの新しいデータセットをキュレートし、CrossDockedデータセットを補完する現実的なバインディングシナリオを提供する。
包括的なシリコ実験では、シリコドッキングで予測されるように、タンパク質ポケットに高い結合エネルギーを持つ新規で多様な薬物様リガンドを生成する際のdiffsbddの効率を示す。
関連論文リスト
- Learn to Optimize Denoising Scores for 3D Generation: A Unified and
Improved Diffusion Prior on NeRF and 3D Gaussian Splatting [60.393072253444934]
本稿では,3次元生成タスクの拡散先行性向上を目的とした統合フレームワークを提案する。
拡散先行と拡散モデルの訓練手順の相違を同定し、3次元生成の質を著しく損なう。
論文 参考訳(メタデータ) (2023-12-08T03:55:34Z) - ToddlerDiffusion: Flash Interpretable Controllable Diffusion Model [68.16230122583634]
ToddlerDiffusionは、人間の生成システムにインスパイアされた解釈可能な2D拡散画像合成フレームワークである。
提案手法では,生成過程を簡易かつ解釈可能な段階に分解し,輪郭,パレット,詳細なカラー画像を生成する。
論文 参考訳(メタデータ) (2023-11-24T15:20:01Z) - Accelerating Inference in Molecular Diffusion Models with Latent
Representations of Protein Structure [0.0]
拡散生成モデルは3次元分子構造に直接作用する。
分子構造の潜在表現を学習するための新しいGNNアーキテクチャを提案する。
本モデルでは,全原子タンパク質の表現に匹敵する性能を示しながら,推論時間を3倍に短縮した。
論文 参考訳(メタデータ) (2023-11-22T15:32:31Z) - Navigating the Design Space of Equivariant Diffusion-Based Generative
Models for De Novo 3D Molecule Generation [1.3124513975412255]
深部生成拡散モデル(Deep Generative diffusion model)は、材料科学と薬物発見における3D de novo分子設計のための有望な道である。
E(3)-同変拡散モデルの設計空間を探索し、未探索領域に焦点をあてる。
本稿では,QM9データセットとGEOM-Drugsデータセットの確立したモデルよりも一貫して優れるEQGAT-diffモデルを提案する。
論文 参考訳(メタデータ) (2023-09-29T14:53:05Z) - Leveraging Side Information for Ligand Conformation Generation using
Diffusion-Based Approaches [12.71967232020327]
リガンド分子コンホメーション生成は、薬物発見において重要な課題である。
この問題を解決するためにディープラーニングモデルが開発されている。
これらのモデルはしばしば、本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
論文 参考訳(メタデータ) (2023-08-02T09:56:47Z) - Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。
離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。
NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文 参考訳(メタデータ) (2023-05-31T16:31:24Z) - Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation
and Elaboration [66.40452382516126]
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) - 3D Equivariant Diffusion for Target-Aware Molecule Generation and
Affinity Prediction [9.67574543046801]
標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。
上記の課題を解決するために,3次元同変拡散モデルを開発した。
我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
論文 参考訳(メタデータ) (2023-03-06T23:01:43Z) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳(メタデータ) (2022-03-31T12:52:25Z)
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。