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

• Exploring Temporally-Aware Features for Point Tracking [58.63091479730935]
  Chronoは、時間的認識を組み込んだポイントトラッキング用に特別に設計された機能バックボーンである。 Chronoは、TAP-Vid-DAVISとTAP-Vid-Kineticsデータセットの洗練されたフリー設定で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-01-21T15:39:40Z)
• Deep-Learning Based Docking Methods: Fair Comparisons to Conventional Docking Workflows [0.0]
  従来のドッキング手法に対して,Surflex-Dock法を用いた完全自動ワークフローを用いて公正なベースラインを生成する。 Angstroms RMSDのSurflex-Dock成功率はDiffDockよりもはるかに高かった。 DiffDockは、近隣の訓練を受けていない患者と比較して、近隣の患者に対して40パーセントの差を示した。
  論文  参考訳（メタデータ） (2024-12-03T22:47:47Z)
• 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)
• Dockformer: A transformer-based molecular docking paradigm for large-scale virtual screening [29.947687129449278]
  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。 実験の結果、DockformerはPDBbindコアセットとPoseBustersベンチマークでそれぞれ90.53%と82.71%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-11-11T06:25:13Z)
• 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)
• 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)
• 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。