論文の概要: DockGame: Cooperative Games for Multimeric Rigid Protein Docking

• arxiv url: http://arxiv.org/abs/2310.06177v1
• Date: Mon, 9 Oct 2023 22:02:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 21:27:52.209729
• Title: DockGame: Cooperative Games for Multimeric Rigid Protein Docking
• Title（参考訳）: dockgame:マルチメリックタンパク質ドッキングのための協調ゲーム
• Authors: Vignesh Ram Somnath, Pier Giuseppe Sessa, Maria Rodriguez Martinez, Andreas Krause
• Abstract要約: ドッキングのための新しいゲーム理論フレームワークであるDockGameを紹介した。 タンパク質ドッキングはタンパク質間の協調ゲームであり、最終組み立て構造が安定な平衡を構成する。 Docking Benchmark 5.5データセットでは、DockGameは従来のドッキングメソッドよりもはるかに高速なランタイムを持つ。
• 参考スコア（独自算出の注目度）: 45.970633276976045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein interactions and assembly formation are fundamental to most biological processes. Predicting the assembly structure from constituent proteins -- referred to as the protein docking task -- is thus a crucial step in protein design applications. Most traditional and deep learning methods for docking have focused mainly on binary docking, following either a search-based, regression-based, or generative modeling paradigm. In this paper, we focus on the less-studied multimeric (i.e., two or more proteins) docking problem. We introduce DockGame, a novel game-theoretic framework for docking -- we view protein docking as a cooperative game between proteins, where the final assembly structure(s) constitute stable equilibria w.r.t. the underlying game potential. Since we do not have access to the true potential, we consider two approaches - i) learning a surrogate game potential guided by physics-based energy functions and computing equilibria by simultaneous gradient updates, and ii) sampling from the Gibbs distribution of the true potential by learning a diffusion generative model over the action spaces (rotations and translations) of all proteins. Empirically, on the Docking Benchmark 5.5 (DB5.5) dataset, DockGame has much faster runtimes than traditional docking methods, can generate multiple plausible assembly structures, and achieves comparable performance to existing binary docking baselines, despite solving the harder task of coordinating multiple protein chains.
• Abstract（参考訳）: タンパク質の相互作用と集合形成は、ほとんどの生物学的過程において基本的なものである。 タンパク質ドッキングタスクと呼ばれる構成タンパク質からの組み立て構造を予測することは、タンパク質設計の応用において重要なステップである。 ドッキングの伝統的および深層学習手法の多くは、検索ベース、回帰ベース、もしくは生成モデリングのパラダイムに従って、主にバイナリドッキングに焦点を当てている。 本稿では,より研究の少ない多量体(すなわち2つ以上のタンパク質)ドッキング問題に焦点を当てる。 我々は、ドッキングのための新しいゲーム理論フレームワークであるdockgameを紹介する。我々は、タンパク質ドッキングを、最終的な組み立て構造(s)が安定な平衡 w.r.t. となるタンパク質間の協調ゲームと見なしている。 私たちは真のポテンシャルにアクセスできないので、2つのアプローチを考えます。 一 物理に基づくエネルギー関数及び計算均衡に導かれる代理ゲームの可能性について、同時勾配更新により学習すること。 二 あらゆるタンパク質の作用空間(回転及び翻訳)上の拡散生成モデルを学習することにより、真のポテンシャルのギブス分布からサンプリングすること。 実証的に、ドッキングベンチマーク5.5(db5.5)データセットでは、dockgameは従来のドッキングメソッドよりもはるかに高速なランタイムを持ち、複数の可能なアセンブリ構造を生成でき、既存のバイナリドッキングベースラインと同等の性能を達成している。

関連論文リスト

• Deep Learning for Protein-Ligand Docking: Are We There Yet? [5.721438704473567]
  広範に適用可能なタンパク質リガンドドッキングのための、最初の包括的なベンチマークであるPoseBenchを紹介する。 PoseBenchは、Apo-to-holoタンパク質-リガンドドッキングとタンパク質-リガンド構造予測のためのDLメソッドを厳格かつ体系的に評価することを可能にする。
  論文  参考訳（メタデータ） (2024-05-23T02:27:39Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• Rigid Protein-Protein Docking via Equivariant Elliptic-Paraboloid Interface Prediction [19.73508673791042]
  硬質タンパク質ドッキングの研究は、薬物設計やタンパク質工学といった様々なタスクにおいて重要な役割を担っている。 本稿では,タンパク質-タンパク質ドッキングインタフェースを表現するために,楕円型パラボロイドを予測するElliDockという新しい学習手法を提案する。 その設計上、エリドックはタンパク質の任意の回転/翻訳に関して独立に同型である。
  論文  参考訳（メタデータ） (2024-01-17T05:39:03Z)
• Multi-scale Iterative Refinement towards Robust and Versatile Molecular Docking [17.28573902701018]
  分子ドッキング(英: molecular docking)は、小分子のタンパク質標的への結合コンホメーションを予測するために使われる重要な計算ツールである。 我々は、効率的な分子ドッキング用に設計された堅牢で汎用的なフレームワークであるDeltaDockを紹介する。
  論文  参考訳（メタデータ） (2023-11-30T14:09:20Z)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• DiffDock-PP: Rigid Protein-Protein Docking with Diffusion Models [47.73386438748902]
  DiffDock-PPは拡散生成モデルであり、非有界タンパク質構造をそれらの有界配座に翻訳し回転させる。 中央値C-RMSDが4.85でDIPSの最先端性能を達成し,すべてのベースラインを上回りました。
  論文  参考訳（メタデータ） (2023-04-08T02:10:44Z)
• 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)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。