論文の概要: Do Deep Learning Models Really Outperform Traditional Approaches in Molecular Docking?

• arxiv url: http://arxiv.org/abs/2302.07134v2
• Date: Wed, 15 Feb 2023 05:47:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 16:24:54.578113
• Title: Do Deep Learning Models Really Outperform Traditional Approaches in Molecular Docking?
• Title（参考訳）: 深層学習モデルは分子ドッキングにおける従来のアプローチより優れているか?
• Authors: Yuejiang Yu, Shuqi Lu, Zhifeng Gao, Hang Zheng and Guolin Ke
• Abstract要約: 分子ドッキングのためのディープラーニングモデルが開発されている。 既存のディープラーニングモデルは、特定のポケットではなく、タンパク質全体をドッキングする。 本稿では,これらのディープラーニングモデルと従来の手法の実際の性能について検討する。
• 参考スコア（独自算出の注目度）: 13.055270327509076
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Molecular docking, given a ligand molecule and a ligand binding site (called ``pocket'') on a protein, predicting the binding mode of the protein-ligand complex, is a widely used technique in drug design. Many deep learning models have been developed for molecular docking, while most existing deep learning models perform docking on the whole protein, rather than on a given pocket as the traditional molecular docking approaches, which does not match common needs. What's more, they claim to perform better than traditional molecular docking, but the approach of comparison is not fair, since traditional methods are not designed for docking on the whole protein without a given pocket. In this paper, we design a series of experiments to examine the actual performance of these deep learning models and traditional methods. For a fair comparison, we decompose the docking on the whole protein into two steps, pocket searching and docking on a given pocket, and build pipelines to evaluate traditional methods and deep learning methods respectively. We find that deep learning models are actually good at pocket searching, but traditional methods are better than deep learning models at docking on given pockets. Overall, our work explicitly reveals some potential problems in current deep learning models for molecular docking and provides several suggestions for future works.
• Abstract（参考訳）: タンパク質上のリガンド分子とリガンド結合部位(「ポケット」と呼ばれる)が与えられた分子ドッキングは、タンパク質-リガンド複合体の結合様式を予測するものであり、薬物設計において広く用いられている技法である。 多くのディープラーニングモデルが分子ドッキングのために開発されているが、既存のディープラーニングモデルの多くは、通常の分子ドッキングアプローチのように特定のポケットではなく、タンパク質全体にドッキングを行う。 さらに、従来の分子ドッキングよりも性能が良いと主張しているが、従来の方法ではポケットなしでタンパク質全体をドッキングするように設計されていないため、比較のアプローチは不公平だ。 本稿では,これらの深層学習モデルと従来の手法の実際の性能を検討するための一連の実験を設計する。 公平な比較のために,タンパク質全体のドッキングを,ポケット検索とポケットドッキングという2つのステップに分割し,従来の手法と深層学習をそれぞれ評価するためのパイプラインを構築した。 ディープラーニングモデルは実際にポケット検索に長けていますが、従来の手法は、特定のポケットにドッキングする深層学習モデルよりも優れています。 全体として、我々の研究は分子ドッキングのディープラーニングモデルにおける潜在的な問題を明らかにし、今後の研究にいくつかの提案を提供する。

関連論文リスト

• Dockformer: A transformer-based molecular docking paradigm for large-scale virtual screening [29.886873241333433]
  複合ライブラリのサイズが大きくなるにつれて、従来のドッキングモデルの複雑さが増す。 ディープラーニングアルゴリズムは、ドッキングプロセスのスピードを高めるために、データ駆動リサーチと開発モデルを提供することができる。 本研究では,Dockformerという,ディープラーニングに基づくドッキング手法を紹介する。
  論文  参考訳（メタデータ） (2024-11-11T06:25:13Z)
• Deep Learning for Protein-Ligand Docking: Are We There Yet? [6.138222365802935]
  PoseBenchは、広く適用可能なタンパク質リガンドドッキングのための最初の包括的なベンチマークである。 研究者は、Apo-to-holoタンパク質-リガンドドッキングとタンパク質-リガンド構造生成のためのDLドッキング法を厳格かつ体系的に評価することができる。
  論文  参考訳（メタデータ） (2024-05-23T02:27:39Z)
• 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)
• DockGame: Cooperative Games for Multimeric Rigid Protein Docking [45.970633276976045]
  ドッキングのための新しいゲーム理論フレームワークであるDockGameを紹介した。 タンパク質ドッキングはタンパク質間の協調ゲームであり、最終組み立て構造が安定な平衡を構成する。 Docking Benchmark 5.5データセットでは、DockGameは従来のドッキングメソッドよりもはるかに高速なランタイムを持つ。
  論文  参考訳（メタデータ） (2023-10-09T22:02:05Z)
• ZhiJian: A Unifying and Rapidly Deployable Toolbox for Pre-trained Model Reuse [59.500060790983994]
  本稿では、PyTorchバックエンドを利用して、モデル再利用のための包括的でユーザフレンドリなツールボックスであるZhiJianを紹介する。 ZhiJianは、PTMによるターゲットアーキテクチャ構築、PTMによるターゲットモデルチューニング、およびPTMに基づく推論を含む、モデル再利用に関するさまざまな視点を統一する新しいパラダイムを提示している。
  論文  参考訳（メタデータ） (2023-08-17T19:12:13Z)
• DiffDock-PP: Rigid Protein-Protein Docking with Diffusion Models [47.73386438748902]
  DiffDock-PPは拡散生成モデルであり、非有界タンパク質構造をそれらの有界配座に翻訳し回転させる。 中央値C-RMSDが4.85でDIPSの最先端性能を達成し,すべてのベースラインを上回りました。
  論文  参考訳（メタデータ） (2023-04-08T02:10:44Z)
• Stop overkilling simple tasks with black-box models and use transparent models instead [57.42190785269343]
  ディープラーニングアプローチは、生データから自律的に機能を抽出することができる。 これにより、機能エンジニアリングプロセスをバイパスすることができる。 ディープラーニング戦略は、しばしば精度で従来のモデルより優れている。
  論文  参考訳（メタデータ） (2023-02-06T14:28:49Z)
• DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking [28.225704750892795]
  タンパク質への小さな分子リガンドの結合構造を予測することは、薬物設計にとって重要である。 近年, ドッキングを回帰問題として扱う深層学習法は, 従来の検索手法に比べて実行時間が少なくなっている。 我々は、分子ドッキングを生成的モデリング問題とし、非ユークリッド多様体上のリガンドポーズの拡散生成モデルであるDiffDockを開発した。
  論文  参考訳（メタデータ） (2022-10-04T17:38:14Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)

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。