論文の概要: Deep Surrogate Docking: Accelerating Automated Drug Discovery with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2211.02720v1
• Date: Fri, 4 Nov 2022 19:36:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 17:47:52.799977
• Title: Deep Surrogate Docking: Accelerating Automated Drug Discovery with Graph Neural Networks
• Title（参考訳）: ディープサーロゲートドッキング:グラフニューラルネットワークによる薬物発見の高速化
• Authors: Ryien Hosseini, Filippo Simini, Austin Clyde, Arvind Ramanathan
• Abstract要約: 本稿では,ディープラーニングに基づくサロゲートモデリングを適用し,ドッキングプロセスを大幅に高速化するフレームワークであるDeep Surrogate Docking(DSD)を紹介する。 我々は、DSDワークフローとFiLMv2アーキテクチャを組み合わせることで、分子スクリーニングにおける9.496倍の高速化と3%のリコールエラー率が得られることを示した。
• 参考スコア（独自算出の注目度）: 0.9785311158871759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The process of screening molecules for desirable properties is a key step in several applications, ranging from drug discovery to material design. During the process of drug discovery specifically, protein-ligand docking, or chemical docking, is a standard in-silico scoring technique that estimates the binding affinity of molecules with a specific protein target. Recently, however, as the number of virtual molecules available to test has rapidly grown, these classical docking algorithms have created a significant computational bottleneck. We address this problem by introducing Deep Surrogate Docking (DSD), a framework that applies deep learning-based surrogate modeling to accelerate the docking process substantially. DSD can be interpreted as a formalism of several earlier surrogate prefiltering techniques, adding novel metrics and practical training practices. Specifically, we show that graph neural networks (GNNs) can serve as fast and accurate estimators of classical docking algorithms. Additionally, we introduce FiLMv2, a novel GNN architecture which we show outperforms existing state-of-the-art GNN architectures, attaining more accurate and stable performance by allowing the model to filter out irrelevant information from data more efficiently. Through extensive experimentation and analysis, we show that the DSD workflow combined with the FiLMv2 architecture provides a 9.496x speedup in molecule screening with a <3% recall error rate on an example docking task. Our open-source code is available at https://github.com/ryienh/graph-dock.
• Abstract（参考訳）: 望ましい性質のために分子をスクリーニングするプロセスは、薬物発見から材料設計まで、いくつかの応用において重要なステップである。 タンパク質リガンドドドドッキング(英: protein-ligand docking)は、特定のタンパク質標的と分子の結合親和性を推定する標準的なin-silicoスコア法である。 しかし、近年、テスト可能な仮想分子の数は急速に増加しており、これらの古典的なドッキングアルゴリズムは重要な計算ボトルネックを生み出している。 ドッキングプロセスを大幅に高速化するために,ディープラーニングに基づくサロゲートモデリングを適用するフレームワークであるDeep Surrogate Docking (DSD)を導入することで,この問題に対処する。 dsdは、いくつかの初期のサロゲートプリフィルタ技術の形式化として解釈でき、新しいメトリクスと実践的なトレーニングプラクティスを追加している。 具体的には、グラフニューラルネットワーク(GNN)が、古典的ドッキングアルゴリズムの高速かつ正確な推定手段として有効であることを示す。 さらに、既存の最先端GNNアーキテクチャよりも優れた性能を示す新しいGNNアーキテクチャFiLMv2を導入し、モデルがデータから無関係情報をより効率的にフィルタリングできるようにすることにより、より正確で安定した性能を実現する。 広範な実験と分析を通じて、dsdワークフローと filmv2 アーキテクチャが組み合わさって、サンプルドッキングタスクにおいて、分子スクリーニングにおける 9.496 倍のスピードアップと <3% のリコールエラー率を示した。 当社のオープンソースコードはhttps://github.com/ryienh/graph-dock.comで利用可能です。

関連論文リスト

• Unveiling the Unseen: Identifiable Clusters in Trained Depthwise Convolutional Kernels [56.69755544814834]
  深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。 本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
  論文  参考訳（メタデータ） (2024-01-25T19:05:53Z)
• 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)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Rapid training of deep neural networks without skip connections or normalization layers using Deep Kernel Shaping [46.083745557823164]
  我々は、深層ネットワークに存在する主な病理組織を特定し、それらが高速にトレーニングされ、目に見えないデータに一般化されるのを防ぐ。 本稿では,ネットワークのカーネル関数の「形状」を慎重に制御することで,これらを回避する方法を示す。
  論文  参考訳（メタデータ） (2021-10-05T00:49:36Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Protein-Ligand Docking Surrogate Models: A SARS-CoV-2 Benchmark for Deep Learning Accelerated Virtual Screening [0.2561613071031438]
  代理ドッキングモデルが標準ドッキングプロトコルよりも6桁のスループットを持つことを示す。 本研究では,1日で10億個の分子に対して各ターゲットを動作させることにより,高速サロゲートモデルのパワーを実証する。 我々の解析では、ドッキングパラダイムの下でより多くの分子をスクリーニングするには、計算速度よりもモデル精度から別の桁のスピードアップを導き出さなければならないと説明しています。
  論文  参考訳（メタデータ） (2021-06-13T16:27:38Z)
• ParaVS: A Simple, Fast, Efficient and Flexible Graph Neural Network Framework for Structure-Based Virtual Screening [2.5137859989323537]
  ドッキング処理の計算コストを回避できるドッキングベースSBVS法とディープラーニング非ドッキングベース手法を導入する。 ParaVS-NDの推論速度は約3.6e5分子/コア時間であり、従来のドッキングベースの手法は約20であり、約16000倍高速である。
  論文  参考訳（メタデータ） (2021-02-08T08:24:05Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
  グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。 ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。 本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T08:01:55Z)

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。