論文の概要: Geometric Deep Learning for Structure-Based Drug Design: A Survey

• arxiv url: http://arxiv.org/abs/2306.11768v6
• Date: Sat, 16 Nov 2024 02:51:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:26:18.362280
• Title: Geometric Deep Learning for Structure-Based Drug Design: A Survey
• 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 : サーベイ
• Authors: Zaixi Zhang, Jiaxian Yan, Yining Huang, Qi Liu, Enhong Chen, Mengdi Wang, 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。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
• 参考スコア（独自算出の注目度）: 83.87489798671155
• License:
• Abstract: Structure-based drug design (SBDD) leverages the three-dimensional geometry of proteins to identify potential drug candidates. Traditional approaches, rooted in physicochemical modeling and domain expertise, are often resource-intensive. Recent advancements in geometric deep learning, which effectively integrate and process 3D geometric data, alongside breakthroughs in accurate protein structure predictions from tools like AlphaFold, have significantly propelled the field forward. This paper systematically reviews the state-of-the-art in geometric deep learning for SBDD. We begin by outlining foundational tasks in SBDD, discussing prevalent 3D protein representations, and highlighting representative predictive and generative models. Next, we provide an in-depth review of key tasks, including binding site prediction, binding pose generation, de novo molecule generation, linker design, protein pocket generation, and binding affinity prediction. For each task, we present formal problem definitions, key methods, datasets, evaluation metrics, and performance benchmarks. Lastly, we explore current challenges and future opportunities in SBDD. Challenges include oversimplified problem formulations, limited out-of-distribution generalization, biosecurity concerns related to the misuse of structural data, insufficient evaluation metrics and large-scale benchmarks, and the need for experimental validation and enhanced model interpretability. Opportunities lie in leveraging multimodal datasets, integrating domain knowledge, developing comprehensive benchmarks, establishing criteria aligned with clinical outcomes, and designing foundation models to expand the scope 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）: 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。 物理化学モデリングとドメインの専門知識に根ざした伝統的なアプローチは、しばしば資源集約である。 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構造予測のブレークスルーとともに、3Dの幾何学的データを効果的に統合し、処理している。 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の基本課題の概要を説明し、一般的な3Dタンパク質表現について議論し、代表的予測モデルと生成モデルを強調します。 次に、結合部位予測、結合ポーズ生成、de novo分子生成、リンカー設計、タンパク質ポケット生成、結合親和性予測など、重要なタスクの詳細なレビューを行う。 各タスクに対して、フォーマルな問題定義、キーメソッド、データセット、評価指標、パフォーマンスベンチマークを提示します。 最後に、SBDDにおける現在の課題と今後の機会について調べる。 課題には、過度に単純化された問題定式化、配布外一般化の制限、構造データの誤用に関連するバイオセキュリティの懸念、評価指標の不十分さと大規模ベンチマーク、実験的な検証の必要性、モデルの解釈可能性の向上などが含まれる。 機会は、マルチモーダルデータセットの利用、ドメイン知識の統合、包括的なベンチマークの開発、臨床結果に沿った基準の設定、デザインタスクの範囲を広げるための基礎モデルの設計である。 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)
• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• 3D pride without 2D prejudice: Bias-controlled multi-level generative models for structure-based ligand design [1.978587235008588]
  データスパーシリティとバイアスは、3D認識モデルの開発における2つの主要な障害である。 バイアス制御とデータ効率を改善するために,マルチレベルコントラスト学習に基づくファーストインキンドトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-22T12:23:59Z)
• 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。