論文の概要: DSDP: A Blind Docking Strategy Accelerated by GPUs
- arxiv url: http://arxiv.org/abs/2303.09916v1
- Date: Thu, 16 Mar 2023 07:00:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 14:55:20.375035
- Title: DSDP: A Blind Docking Strategy Accelerated by GPUs
- Title（参考訳）: DSDP:GPUが加速するブラインドドッキング戦略
- Authors: YuPeng Huang, Hong Zhang, Siyuan Jiang, Dajiong Yue, Xiaohan Lin, Jun
Zhang, Yi Qin Gao
- Abstract要約: 我々は,従来の学習手法と機械学習手法の両方の利点を生かし,ブラインドドッキングの性能を向上させるために,Deep Site and Docking Pose (DSDP) を提案する。
DSDPは、2つのトップ1成功率 (RMSD 2 AA) に達する。
DUD-EデータセットとEquiBind, TankBind, DiffDockで使用される時間分割PDBBindデータセットのパフォーマンスも有効である。
- 参考スコア（独自算出の注目度）: 6.221048348194304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Virtual screening, including molecular docking, plays an essential role in
drug discovery. Many traditional and machine-learning based methods are
available to fulfil the docking task. The traditional docking methods are
normally extensively time-consuming, and their performance in blind docking
remains to be improved. Although the runtime of docking based on machine
learning is significantly decreased, their accuracy is still limited. In this
study, we take the advantage of both traditional and machine-learning based
methods, and present a method Deep Site and Docking Pose (DSDP) to improve the
performance of blind docking. For the traditional blind docking, the entire
protein is covered by a cube, and the initial positions of ligands are randomly
generated in the cube. In contract, DSDP can predict the binding site of
proteins and provide an accurate searching space and initial positions for the
further conformational sampling. The docking task of DSDP makes use of the
score function and a similar but modified searching strategy of AutoDock Vina,
accelerated by implementation in GPUs. We systematically compare its
performance with the state-of-the-art methods, including Autodock Vina, GNINA,
QuickVina, SMINA, and DiffDock. DSDP reaches a 29.8% top-1 success rate (RMSD <
2 {\AA}) on an unbiased and challenging test dataset with 1.2 s wall-clock
computational time per system. Its performances on DUD-E dataset and the
time-split PDBBind dataset used in EquiBind, TankBind, and DiffDock are also
effective, presenting a 57.2% and 41.8% top-1 success rate with 0.8 s and 1.0 s
per system, respectively.
- Abstract（参考訳）: 分子ドッキングを含む仮想スクリーニングは、薬物発見において重要な役割を果たす。
ドッキングタスクを満たすために、伝統的な機械学習ベースの多くの方法が利用可能である。
従来のドッキング法は通常広範囲に時間がかかるが、ブラインドドッキングのパフォーマンスは改善され続けている。
機械学習に基づくドッキングの実行時間は大幅に削減されているが、精度はまだ限られている。
本研究では,従来の学習手法と機械学習手法の両方の利点を生かし,ブラインドドッキングの性能を向上させるために,Deep Site and Docking Pose (DSDP) を提案する。
従来の盲点ドッキングでは、タンパク質全体が立方体で覆われており、リガンドの初期位置は立方体内でランダムに生成される。
契約では、dsdpはタンパク質の結合部位を予測でき、さらなるコンフォメーションサンプリングのための正確な探索空間と初期位置を提供することができる。
DSDPのドッキングタスクは、スコア関数と、GPUの実装によって加速されるAutoDock Vinaの類似しているが修正された検索戦略を利用する。
我々はその性能をAutodock Vina、GNINA、QuickVina、SMINA、DiffDockといった最先端の手法と体系的に比較した。
DSDPは、システム当たり1.2秒のウォールクロック計算時間を持つ未バイアスで挑戦的なテストデータセット上で、29.8%のトップ-1成功率(RMSD < 2 {\AA})に達する。
DUD-EデータセットとEquiBind, TankBind, DiffDockで使用される時間分割PDBBindデータセットのパフォーマンスも有効であり、それぞれ 0.8 s と 1.0 s の 57.2% と 41.8% のトップ-1 の成功率を示している。
関連論文リスト
- GNNAS-Dock: Budget Aware Algorithm Selection with Graph Neural Networks for Molecular Docking [0.0]
本稿では,新しいグラフネットワーク(GNN)を用いた分子ドッキングのための自動アルゴリズム選択システムであるGNNASDockを紹介する。
GNNは、状況とタンパク質の両方の複雑な構造データを処理できる。
これらは、異なる条件下での様々なドッキングアルゴリズムの性能を予測するために、固有のグラフのような特性の恩恵を受ける。
論文 参考訳（メタデータ） (2024-11-19T16:01:54Z) - DeltaDock: A Unified Framework for Accurate, Efficient, and Physically Reliable Molecular Docking [15.205550571902366]
分子ドッキングはタンパク質-リガンド相互作用を理解するために構造に基づく薬物設計において重要である。
近年のドッキング法の発展により,従来のサンプリング法に比べて効率と精度が著しく向上した。
ポケット予測とサイト固有のドッキングからなる新しい2段階ドッキングフレームワークDeltaDockを提案する。
論文 参考訳（メタデータ） (2024-10-15T03:09:06Z) - 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) - Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。
本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
論文 参考訳（メタデータ） (2023-11-22T03:45:30Z) - 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) - TempNet: Temporal Attention Towards the Detection of Animal Behaviour in
Videos [63.85815474157357]
本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。
TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。
本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
論文 参考訳（メタデータ） (2022-11-17T23:55:12Z) - 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) - ETAD: A Unified Framework for Efficient Temporal Action Detection [70.21104995731085]
時間的行動検出(TAD)のようなトリミングされていないビデオ理解は、しばしば計算資源に対する膨大な需要の苦痛に悩まされる。
我々は、効率的なエンド・ツー・エンドの時間的行動検出(ETAD)のための統合されたフレームワークを構築している。
ETADはTHUMOS-14とActivityNet-1.3の両方で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-05-14T21:16:21Z) - EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。
本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。
特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
論文 参考訳（メタデータ） (2022-03-21T05:56:12Z) - 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) - Federated Doubly Stochastic Kernel Learning for Vertically Partitioned
Data [93.76907759950608]
本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。
本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
論文 参考訳（メタデータ） (2020-08-14T05:46:56Z)
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。