Fugu-MT 論文翻訳(概要): Harmonic Self-Conditioned Flow Matching for Multi-Ligand Docking and Binding Site Design

論文の概要: Harmonic Self-Conditioned Flow Matching for Multi-Ligand Docking and Binding Site Design

arxiv url: http://arxiv.org/abs/2310.05764v4
Date: Thu, 30 May 2024 19:04:39 GMT
ステータス: 処理完了
システム内更新日: 2024-06-03 20:31:38.666839
Title: Harmonic Self-Conditioned Flow Matching for Multi-Ligand Docking and Binding Site Design
Title（参考訳）: マルチリガンドドッキングとバインドサイト設計のための高調波自己整合流マッチング
Authors: Hannes Stärk, Bowen Jing, Regina Barzilay, Tommi Jaakkola,
Abstract要約: FlowSiteはこのフローモデルを拡張して、タンパク質ポケットの離散残基タイプと分子の結合3D構造を共同で生成する。 HarmonicFlowは, ドッキングの簡易性, 汎用性, 平均試料品質の向上を図っている。
参考スコア（独自算出の注目度）: 29.972698307121675
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A significant amount of protein function requires binding small molecules, including enzymatic catalysis. As such, designing binding pockets for small molecules has several impactful applications ranging from drug synthesis to energy storage. Towards this goal, we first develop HarmonicFlow, an improved generative process over 3D protein-ligand binding structures based on our self-conditioned flow matching objective. FlowSite extends this flow model to jointly generate a protein pocket's discrete residue types and the molecule's binding 3D structure. We show that HarmonicFlow improves upon state-of-the-art generative processes for docking in simplicity, generality, and average sample quality in pocket-level docking. Enabled by this structure modeling, FlowSite designs binding sites substantially better than baseline approaches.
Abstract（参考訳）: タンパク質の機能のかなりの部分は、酵素触媒を含む小さな分子の結合を必要とする。そのため、小さな分子に対する結合ポケットの設計には、薬物合成からエネルギー貯蔵まで、いくつかの影響のある応用がある。この目的に向けて,我々はまず,自己条件付きフローマッチングの目的に基づいて,3次元タンパク質-リガンド結合構造を改良した生成過程であるHarmonicFlowを開発した。 FlowSiteはこのフローモデルを拡張して、タンパク質ポケットの離散残基タイプと分子の結合3D構造を共同で生成する。本研究では,HarmonicFlowがポケットレベルのドッキングにおいて,ドッキングの簡易性,汎用性,平均サンプル品質を向上することを示す。この構造モデリングによって実現されたFlowSiteは、ベースラインアプローチよりもはるかに優れたバインディングサイトを設計する。

関連論文リスト

Geometric-informed GFlowNets for Structure-Based Drug Design [4.8722087770556906]
我々は生成フローネットワーク(GFlowNets)を用いて、薬物様分子の広大な空間を探索する。三角的に一貫した埋め込みを組み込むことにより,GFlowNetフレームワークに新たな改良を加える。 CrossDocked 2020を用いて行った実験では、生成された分子とタンパク質ポケットの結合親和性が改善された。
論文参考訳（メタデータ） (2024-06-16T09:32:19Z)
Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
論文参考訳（メタデータ） (2024-05-30T17:53:50Z)
UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。提案手法は,全タスクにおける最先端手法を超越した手法である。
論文参考訳（メタデータ） (2024-05-29T10:26:16Z)
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)
Binding-Adaptive Diffusion Models for Structure-Based Drug Design [33.9764269117599]
我々はバインディング適応拡散モデル(BindDM)という新しいフレームワークを提案する。 BindDMでは,タンパク質-リガンド相互作用に関与する結合部位の重要な部分であるサブ複合体を適応的に抽出する。 BindDMは、より現実的な3D構造を持ち、タンパク質標的に対する高い結合親和性を持つ分子を生成でき、最大5.92 Avg. Vina Scoreを持つ。
論文参考訳（メタデータ） (2024-01-15T00:34:00Z)
Autoregressive fragment-based diffusion for pocket-aware ligand design [0.0]
AutoFragDiffはフラグメントベースの自己回帰拡散モデルであり、ターゲットタンパク質構造に条件付けられた3D構造を生成する。我々は、分子足場とタンパク質ポケットに固定された新しい分子断片の原子タイプと空間座標を予測するために幾何学的ベクトルパーセプトロンを用いる。
論文参考訳（メタデータ） (2023-12-15T04:03:03Z)
SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
論文参考訳（メタデータ） (2023-10-03T19:24:24Z)
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。