論文の概要: A Systematic Survey in Geometric Deep Learning for Structure-based Drug Design

• arxiv url: http://arxiv.org/abs/2306.11768v5
• Date: Tue, 24 Oct 2023 14:22:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-26 00:11:49.246013
• Title: A Systematic Survey in Geometric Deep Learning for Structure-based Drug Design
• Title（参考訳）: 構造に基づく薬物設計のための幾何学的深層学習の体系的調査
• Authors: Zaixi Zhang, Jiaxian Yan, Qi Liu, Enhong Chen, and Marinka Zitnik
• Abstract要約: 構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 幾何学的深層学習の最近の進歩は、3次元幾何データの統合と処理に焦点をあてて、構造に基づく薬物設計の分野を大いに進歩させてきた。
• 参考スコア（独自算出の注目度）: 63.30166298698985
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Structure-based drug design (SBDD) utilizes the three-dimensional geometry of proteins to identify potential drug candidates. Traditional methods, grounded in physicochemical modeling and informed by domain expertise, are resource-intensive. Recent developments in geometric deep learning, focusing on the integration and processing of 3D geometric data, coupled with the availability of accurate protein 3D structure predictions from tools like AlphaFold, have greatly advanced the field of structure-based drug design. This paper systematically reviews the current state of geometric deep learning in SBDD. We first outline foundational tasks in SBDD, detail prevalent 3D protein representations, and highlight representative predictive and generative models. We then offer in-depth reviews of each key task, including binding site prediction, binding pose generation, \emph{de novo} molecule generation, linker design, and binding affinity prediction. We provide formal problem definitions and outline each task's representative methods, datasets, evaluation metrics, and performance benchmarks. Finally, we summarize the current challenges and future opportunities: current challenges in SBDD include oversimplified problem formulations, inadequate out-of-distribution generalization, a lack of reliable evaluation metrics and large-scale benchmarks, and the need for experimental verification and enhanced model understanding; opportunities include leveraging multimodal datasets, integrating domain knowledge, building comprehensive benchmarks, designing criteria based on clinical endpoints, and developing foundation models that broaden the range of design tasks. We also curate \url{https://github.com/zaixizhang/Awesome-SBDD}, reflecting ongoing contributions and new datasets in SBDD.
• Abstract（参考訳）: structure-based drug design (sbdd) はタンパク質の3次元形状を利用して薬物候補を同定する。 物理化学的モデリングに基礎を置き、ドメインの専門知識によって情報を得る伝統的な手法は資源集約である。 幾何学的深層学習の最近の進歩は、AlphaFoldのようなツールによる正確なタンパク質の3D構造予測の可用性と合わせて、3D幾何学的データの統合と処理に焦点を当て、構造に基づく薬物設計の分野を大きく進歩させた。 本稿では,SBDDにおける幾何学的深層学習の現状を体系的にレビューする。 まず,SBDDの基本課題を概説し,3Dタンパク質の表現を詳細に説明し,代表的予測モデルと生成モデルを強調した。 次に、結合部位予測、結合ポーズ生成、 \emph{de novo} 分子生成、リンカ設計、結合親和性予測など、各キータスクの詳細なレビューを行う。 形式的な問題定義を提供し,各タスクの代表的な方法,データセット,評価指標,パフォーマンスベンチマークを概説する。 Finally, we summarize the current challenges and future opportunities: current challenges in SBDD include oversimplified problem formulations, inadequate out-of-distribution generalization, a lack of reliable evaluation metrics and large-scale benchmarks, and the need for experimental verification and enhanced model understanding; opportunities include leveraging multimodal datasets, integrating domain knowledge, building comprehensive benchmarks, designing criteria based on clinical endpoints, and developing foundation models that broaden the range of design tasks. また、進行中のコントリビューションとSBDDの新しいデータセットを反映して、 \url{https://github.com/zaixizhang/Awesome-SBDD}をキュレートします。

関連論文リスト

• ProteinBench: A Holistic Evaluation of Protein Foundation Models [53.59325047872512]
  本稿では,タンパク質基盤モデルのための総合評価フレームワークであるProteinBenchを紹介する。 本研究のアプローチは, タンパク質ドメインにおける課題を包括的に包括するタスクの分類学的分類, (ii) 品質, 新規性, 多様性, 堅牢性, および (iii) 様々なユーザ目標から詳細な分析を行い, モデルパフォーマンスの全体的視点を提供する,4つの重要な側面にわたるパフォーマンスを評価するマルチメトリック評価アプローチからなる。
  論文  参考訳（メタデータ） (2024-09-10T06:52:33Z)
• CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph [66.11279161533619]
  CBGBenchは構造ベースドラッグデザイン(SBDD)のベンチマークである 既存のメソッドを属性に基づいて分類することで、CBGBenchは様々な最先端メソッドを実装している。 我々は,これらのモデルを薬物設計に不可欠なタスクに適応させてきた。
  論文  参考訳（メタデータ） (2024-06-16T08:20:24Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Generative Structural Design Integrating BIM and Diffusion Model [4.619347136761891]
  本研究では,ビルディング情報モデリング(BIM)をインテリジェントな構造設計に適用し,BIMと生成AIを統合した構造設計パイプラインを確立する。 人図作成のプロセスにインスパイアされた生成フレームワークでは,AIモデルの生成困難を軽減するため,新たな2段階生成フレームワークが提案されている。 生成型AIツールでは、広く使われているGANベースのモデルを置き換えるために拡散モデル(DM)を導入し、新しい物理ベースの条件付き拡散モデル(PCDM)を提案し、異なる設計の前提条件を検討する。
  論文  参考訳（メタデータ） (2023-11-07T15:05:19Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [78.56114271538061]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• Hyperspectral Benchmark: Bridging the Gap between HSI Applications through Comprehensive Dataset and Pretraining [11.935879491267634]
  ハイパースペクトルイメージング (HSI) は、様々な応用の非破壊空間分光技術として機能する。 繰り返し発生する課題は、ターゲットデータセットの限られたサイズであり、徹底的なアーキテクチャ検索を妨げる。 本研究は、3つの顕著な異なるHSIアプリケーションを含む革新的なベンチマークデータセットを紹介する。
  論文  参考訳（メタデータ） (2023-09-20T08:08:34Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• T-METASET: Task-Aware Generation of Metamaterial Datasets by Diversity-Based Active Learning [14.668178146934588]
  タスク対応データセット生成のためのインテリジェントなデータ取得フレームワークであるt-METASETを提案する。 提案するフレームワークを,汎用性,タスク認識性,カスタマイズ可能な3つのシナリオで検証する。
  論文  参考訳（メタデータ） (2022-02-21T22:46:49Z)

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。