論文の概要: Protein-Ligand Complex Generator & Drug Screening via Tiered Tensor Transform

• arxiv url: http://arxiv.org/abs/2301.00984v2
• Date: Wed, 2 Aug 2023 05:07:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-03 18:01:27.993365
• Title: Protein-Ligand Complex Generator & Drug Screening via Tiered Tensor Transform
• Title（参考訳）: タンパク-リガンド複合発電機とタイヤテンソル変換による薬物スクリーニング
• Authors: Jonathan P. Mailoa, Zhaofeng Ye, Jiezhong Qiu, Chang-Yu Hsieh, Shengyu Zhang
• Abstract要約: 薬物スクリーニングにおけるポーズおよび親和性評価のための多種多様なタンパク質-リガンド複合体コンホメーションを生成するアルゴリズムを開発した。 3T構造変換はシステム物理学から切り離され、他の計算科学領域で将来利用できるようになる。
• 参考スコア（独自算出の注目度）: 18.509174420141832
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The generation of small molecule candidate (ligand) binding poses in its target protein pocket is important for computer-aided drug discovery. Typical rigid-body docking methods ignore the pocket flexibility of protein, while the more accurate pose generation using molecular dynamics is hindered by slow protein dynamics. We develop a tiered tensor transform (3T) algorithm to rapidly generate diverse protein-ligand complex conformations for both pose and affinity estimation in drug screening, requiring neither machine learning training nor lengthy dynamics computation, while maintaining both coarse-grain-like coordinated protein dynamics and atomistic-level details of the complex pocket. The 3T conformation structures we generate achieve significantly higher accuracy in active ligand classification than traditional ensemble docking using hundreds of experimental protein conformations. Furthermore, we demonstrate that 3T can be used to explore distant protein-ligand binding poses within the protein pocket. 3T structure transformation is decoupled from the system physics, making future usage in other computational scientific domains possible.
• Abstract（参考訳）: 標的タンパク質ポケットに結合する小分子候補(ligand)の形成は、コンピュータによる創薬において重要である。 典型的な剛体ドッキング法はタンパク質のポケットの柔軟性を無視するが、分子動力学を用いたより正確なポーズ生成は低速タンパク質動力学によって妨げられる。 本研究では, 薬物スクリーニングにおける多種多様なタンパク質-リガンド複合体コンホメーションを高速に生成するタイトテンソル変換(3T)アルゴリズムを開発し, 複雑なポケットの粗い粒状配位タンパク質ダイナミクスと原子レベルの詳細を維持しながら, 機械学習トレーニングも長大な動的計算も必要としない。 得られた3Tコンホメーション構造は, 何百ものタンパク質コンホメーションを用いた従来のアンサンブルドッキングよりも, 活性リガンド分類の精度が高い。 さらに,タンパク質ポケット内のタンパク質リガンド結合部位を3tで探索できることを示した。 3T構造変換はシステム物理学から切り離され、他の計算科学領域で将来利用できるようになる。

関連論文リスト

• Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
  新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。 本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
  論文  参考訳（メタデータ） (2024-03-21T02:44:08Z)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• 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)
• Geometric Transformers for Protein Interface Contact Prediction [3.031630445636656]
  本稿では、回転および翻訳不変タンパク質界面の接触予測のための新しい幾何学進化グラフ変換器Geometric Transformerを提案する。 DeepInteractは、2つのタンパク質の3D第三次構造を入力として、パートナー特異的なタンパク質界面接触を予測する。
  論文  参考訳（メタデータ） (2021-10-06T00:12:15Z)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。