Fugu-MT 論文翻訳(概要): Leveraging Side Information for Ligand Conformation Generation using Diffusion-Based Approaches

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

Exploring Discrete Flow Matching for 3D De Novo Molecule Generation [0.0]
フローマッチングは、最近提案されたジェネレーティブモデリングフレームワークで、様々なタスクにおいて印象的なパフォーマンスを実現している。本稿では,既存の手法よりも学習可能なパラメータが少ない3D de novo設計における技術性能の状態を達成した,オープンソースのFlowMol-CTMCを提案する。
論文参考訳（メタデータ） (2024-11-25T18:27:39Z)
Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文参考訳（メタデータ） (2024-11-01T12:59:25Z)
Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
論文参考訳（メタデータ） (2024-10-10T17:18:30Z)
Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
原子は分離違反を避けるために最小の対距離を維持する必要がある NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
論文参考訳（メタデータ） (2024-09-16T08:42:46Z)
Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文参考訳（メタデータ） (2024-07-01T06:10:29Z)
TAGMol: Target-Aware Gradient-guided Molecule Generation [19.977071499171903]
3次元生成モデルは、構造ベースドラッグデザイン(SBDD)において大きな可能性を秘めている。問題を分子生成と特性予測に分離する。後者は相乗的に拡散サンプリング過程を導出し、誘導拡散を促進し、所望の性質を持つ有意義な分子を創出する。この誘導分子生成過程をTAGMolと呼ぶ。
論文参考訳（メタデータ） (2024-06-03T14:43:54Z)
AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
論文参考訳（メタデータ） (2024-04-02T14:44:02Z)
DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文参考訳（メタデータ） (2024-03-07T02:53:40Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
Structure-based Drug Design with Equivariant Diffusion Models [40.73626627266543]
本稿では,タンパク質ポケットに新しい条件を付加したSE(3)-同変拡散モデルDiffSBDDを提案する。我々のサイリコ実験では、DiffSBDDが地上の真実データの統計を効果的に捉えていることが示されています。これらの結果は、拡散モデルが従来の方法よりも正確に構造データの複雑な分布を表すという仮定を支持する。
論文参考訳（メタデータ） (2022-10-24T15:51:21Z)
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)

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。