論文の概要: FlexVDW: A machine learning approach to account for protein flexibility in ligand docking

• arxiv url: http://arxiv.org/abs/2303.11494v1
• Date: Mon, 20 Mar 2023 23:19:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 17:05:47.112156
• Title: FlexVDW: A machine learning approach to account for protein flexibility in ligand docking
• Title（参考訳）: FlexVDW:リガンドドッキングにおけるタンパク質の柔軟性を考慮した機械学習アプローチ
• Authors: Patricia Suriana, Joseph M. Paggi, Ron O. Dror
• Abstract要約: 深層学習モデルは、ファンデルワールスエネルギーを予測する際に、受容体の柔軟性を暗黙的に考慮するよう訓練された。 この機械学習エネルギー項を最先端の物理に基づくスコアリング関数に組み込むことで、小さな分子リガンドが予測結果を改善できることが示される。
• 参考スコア（独自算出の注目度）: 4.511923587827301
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most widely used ligand docking methods assume a rigid protein structure. This leads to problems when the structure of the target protein deforms upon ligand binding. In particular, the ligand's true binding pose is often scored very unfavorably due to apparent clashes between ligand and protein atoms, which lead to extremely high values of the calculated van der Waals energy term. Traditionally, this problem has been addressed by explicitly searching for receptor conformations to account for the flexibility of the receptor in ligand binding. Here we present a deep learning model trained to take receptor flexibility into account implicitly when predicting van der Waals energy. We show that incorporating this machine-learned energy term into a state-of-the-art physics-based scoring function improves small molecule ligand pose prediction results in cases with substantial protein deformation, without degrading performance in cases with minimal protein deformation. This work demonstrates the feasibility of learning effects of protein flexibility on ligand binding without explicitly modeling changes in protein structure.
• Abstract（参考訳）: 最も広く使われているリガンドドドドッキング法は、剛性タンパク質構造である。 これは、標的タンパク質の構造がリガンド結合によって変形するときに問題を引き起こす。 特に、リガンドの真の結合のポーズは、しばしばリガンドとタンパク質原子の明らかな衝突によって非常に不利に得点され、計算されたファンデルワールスエネルギー項の非常に高い値に繋がる。 伝統的に、この問題はリガンド結合における受容体の柔軟性を考慮した受容体コンフォメーションを明示的に探索することで解決されてきた。 本稿では、ファンデルワールスエネルギーを予測する際に、受容器の柔軟性を暗黙的に考慮するよう訓練されたディープラーニングモデルを提案する。 本研究では, この機械学習エネルギー項を物理に基づく状態評価関数に組み込むことで, タンパク質変形の少ない場合の分解性能を低下させることなく, 小分子リガンドの反応を予測できることを示す。 本研究は、タンパク質構造の変化を明示的にモデル化することなく、リガンド結合に対するタンパク質の柔軟性の学習効果の実現可能性を示す。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Loop-Diffusion: an equivariant diffusion model for designing and scoring protein loops [0.0]
  ループ拡散(Loop-Diffusion)は、関数予測タスクに一般化するエネルギー関数を学ぶエネルギーベースの拡散モデルである。 我々は,TCR-pMHCインタフェースの評価におけるLoop-Diffusionの性能を評価し,結合強調突然変異の認識における最先端の結果を示す。
  論文  参考訳（メタデータ） (2024-09-26T18:34:06Z)
• General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design [2.2856296446976443]
  BadGERは、タンパク質-リガンド結合の改善に向けた拡散サンプリングプロセスの制御方法である。 提案手法は,従来の機械学習手法をはるかに上回り,生成した受容体の結合親和性を最大60%向上することを示す。
  論文  参考訳（メタデータ） (2024-06-24T17:31:41Z)
• 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)
• Predicting mutational effects on protein-protein binding via a side-chain diffusion probabilistic model [14.949807579474781]
  SidechainDiffは、未ラベルな実験タンパク質構造を利用する表現学習に基づくアプローチである。 SidechainDiffは、側鎖の拡散に基づく最初の生成モデルであり、タンパク質のバックボーン構造の生成に主に焦点をあてた以前の試みと区別している。
  論文  参考訳（メタデータ） (2023-10-30T15:23:42Z)
• 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)
• Protein-Ligand Complex Generator & Drug Screening via Tiered Tensor Transform [18.509174420141832]
  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。
  論文  参考訳（メタデータ） (2023-01-03T07:33:20Z)
• 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)

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。