論文の概要: Leveraging Side Information for Ligand Conformation Generation using
Diffusion-Based Approaches
- arxiv url: http://arxiv.org/abs/2309.16684v1
- Date: Wed, 2 Aug 2023 09:56:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 05:57:47.201405
- Title: Leveraging Side Information for Ligand Conformation Generation using
Diffusion-Based Approaches
- Title(参考訳): 拡散に基づくアプローチによるリガンド変換生成のためのサイド情報の活用
- Authors: Jiamin Wu, He Cao, Yuan Yao
- Abstract要約: リガンド分子コンホメーション生成は、薬物発見において重要な課題である。
この問題を解決するためにディープラーニングモデルが開発されている。
これらのモデルはしばしば、本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
- 参考スコア(独自算出の注目度): 12.71967232020327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ligand molecule conformation generation is a critical challenge in drug
discovery. Deep learning models have been developed to tackle this problem,
particularly through the use of generative models in recent years. However,
these models often generate conformations that lack meaningful structure and
randomness due to the absence of essential side information. Examples of such
side information include the chemical and geometric features of the target
protein, ligand-target compound interactions, and ligand chemical properties.
Without these constraints, the generated conformations may not be suitable for
further selection and design of new drugs. To address this limitation, we
propose a novel method for generating ligand conformations that leverage side
information and incorporate flexible constraints into standard diffusion
models. Drawing inspiration from the concept of message passing, we introduce
ligand-target massage passing block, a mechanism that facilitates the exchange
of information between target nodes and ligand nodes, thereby incorporating
target node features. To capture non-covalent interactions, we introduce
ligand-target compound inter and intra edges. To further improve the biological
relevance of the generated conformations, we train energy models using scalar
chemical features. These models guide the progress of the standard Denoising
Diffusion Probabilistic Models, resulting in more biologically meaningful
conformations. We evaluate the performance of SIDEGEN using the PDBBind-2020
dataset, comparing it against other methods. The results demonstrate
improvements in both Aligned RMSD and Ligand RMSD evaluations. Specifically,
our model outperforms GeoDiff (trained on PDBBind-2020) by 20% in terms of the
median aligned RMSD metric.
- Abstract(参考訳): リガンド分子コンホメーション生成は、薬物発見において重要な課題である。
深層学習モデルはこの問題に対処するために開発され、特に近年では生成モデルを用いている。
しかしながら、これらのモデルはしばしば本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
例えば、標的タンパク質の化学的および幾何学的特徴、リガンド-標的化合物相互作用、リガンド化学特性などである。
これらの制約がなければ、生成されたコンフォメーションは、新しい薬物のさらなる選択と設計に適さないかもしれない。
この制限に対処するために、サイド情報を活用し、フレキシブルな制約を標準拡散モデルに組み込むリガンドコンホメーションを生成する新しい手法を提案する。
メッセージパッシングの概念から着想を得て,ターゲットノードとリガンドノード間の情報交換を容易にする機構であるリガンド-ターゲットマッサージパッシングブロックを導入する。
非共有結合相互作用を捉えるために,リガンド-ターゲット化合物の中間端と内端に導入する。
生成したコンフォメーションの生物学的関連性をさらに向上するため,スカラー化学特性を用いてエネルギーモデルを訓練する。
これらのモデルは標準分母拡散確率モデルの進歩を導くもので、より生物学的に有意義なコンフォーメーションをもたらす。
PDBBind-2020データセットを用いてSIDEGENの性能を評価し,他の手法と比較した。
その結果, Aligned RMSD と Ligand RMSD の両評価に改善が認められた。
特に,本モデルは中央アライメント rmsd メトリックの点で geodiff (pdbbind-2020 でトレーニング) を20%上回っている。
関連論文リスト
- Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian
Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。
本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文 参考訳(メタデータ) (2024-03-03T23:15:48Z) - Delta Score: Improving the Binding Assessment of Structure-Based Drug
Design Methods [14.272327734087598]
そこで本研究では,有形医薬品要求量に基づく新しい評価基準であるデルタスコアについて紹介する。
実験の結果,現行の深部生成モデルで生成する分子はデルタ値で評価すると,地上基準真理よりもかなり遅れていることがわかった。
論文 参考訳(メタデータ) (2023-11-01T08:37:39Z) - Navigating the Design Space of Equivariant Diffusion-Based Generative
Models for De Novo 3D Molecule Generation [1.3124513975412255]
深部生成拡散モデル(Deep Generative diffusion model)は、材料科学と薬物発見における3D de novo分子設計のための有望な道である。
E(3)-同変拡散モデルの設計空間を探索し、未探索領域に焦点をあてる。
本稿では,QM9データセットとGEOM-Drugsデータセットの確立したモデルよりも一貫して優れるEQGAT-diffモデルを提案する。
論文 参考訳(メタデータ) (2023-09-29T14:53:05Z) - Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。
我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
論文 参考訳(メタデータ) (2023-05-21T04:49:53Z) - Resisting Graph Adversarial Attack via Cooperative Homophilous
Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。
本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。
本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文 参考訳(メタデータ) (2022-11-15T11:44:31Z) - Modular Flows: Differential Molecular Generation [18.41106104201439]
フローは、エンコーディングプロセスを反転させることで、分子を効果的に生成することができる。
既存のフローモデルでは、アーチファクトのデクタンス化や特定のノード/エッジの順序付けが必要となる。
我々はノードODEとグラフPDEのシステムに基づく連続正規化E(3)-同変フローを開発する。
我々のモデルは、メッセージパッシング時間ネットワークとしてキャストすることができ、その結果、密度推定と分子生成のタスクにおいて最上位のパフォーマンスが得られる。
論文 参考訳(メタデータ) (2022-10-12T09:08:35Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - From Static to Dynamic Structures: Improving Binding Affinity Prediction
with a Graph-Based Deep Learning Model [33.92165575735532]
タンパク質-リガンド結合親和性の正確な予測は、構造に基づく薬物設計において重要な課題である。
そこで我々は,3,218種類のタンパク質-リガンド複合体を含むMDデータセットをキュレートし,グラフに基づくディープラーニングモデルDynaformerを開発した。
ダイナフォーマーはMD軌道からタンパク質-リガンド相互作用の幾何学的特徴を学習することにより、結合親和性を正確に予測することができた。
論文 参考訳(メタデータ) (2022-08-19T14:55:12Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳(メタデータ) (2022-02-05T08:21:04Z) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳(メタデータ) (2020-12-17T17:44:01Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。