論文の概要: Structure-based Drug Design with Equivariant Diffusion Models
- arxiv url: http://arxiv.org/abs/2210.13695v2
- Date: Fri, 30 Jun 2023 09:55:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-03 15:39:07.051826
- 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: DiffSBDDを構造ベースドラッグデザインのための3次元条件生成問題として定式化する。
サイリコ実験の包括的理解は、競争力のあるドッキングを伴う新規で多様な薬物様のドッキングを生成する上で、DiffSBDDの有効性と有効性を示す。
さらに,薬品デザインキャンペーンにおける幅広いタスクに対する拡散フレームワークの柔軟性について検討する。
- 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. In
this paper, we formulate SBDD as a 3D-conditional generation problem and
present DiffSBDD, an SE(3)-equivariant 3D-conditional diffusion model that
generates novel ligands conditioned on protein pockets. Comprehensive in silico
experiments demonstrate the efficiency and effectiveness of DiffSBDD in
generating novel and diverse drug-like ligands with competitive docking scores.
We further explore the flexibility of the diffusion framework for a broader
range of tasks in drug design campaigns, such as off-the-shelf property
optimization and partial molecular design with inpainting.
- 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。
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上に条件付きリガンドを生成するSE(3)等価な3次元条件拡散モデルDiffSBDDを提案する。
包括的なシリコ実験では、競合するドッキングスコアを持つ新規で多様な薬物様リガンドの生成におけるdiffsbddの効率性と有効性が示される。
さらに,本研究は,市販品の特性最適化やインパインティングによる部分的分子設計など,薬物設計キャンペーンにおける幅広いタスクに対する拡散フレームワークの柔軟性について検討する。
関連論文リスト
- MolCRAFT: Structure-Based Drug Design in Continuous Parameter Space [31.53831043892904]
連続パラメータ空間で動作する最初の構造ベースドラッグデザイン(SBDD)モデルであるMolCRAFTを紹介する。
実験結果から,本モデルはより安定な3次元構造との結合親和性において常に優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2024-04-18T12:43:39Z) - AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。
我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。
次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
論文 参考訳(メタデータ) (2024-04-02T14:44:02Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳(メタデータ) (2024-03-20T00:41:12Z) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳(メタデータ) (2024-03-07T02:53:40Z) - 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) - 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) - 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) - 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) - 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)
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。