論文の概要: Delta Score: Improving the Binding Assessment of Structure-Based Drug Design Methods

• arxiv url: http://arxiv.org/abs/2311.12035v1
• Date: Wed, 1 Nov 2023 08:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 00:34:59.506355
• Title: Delta Score: Improving the Binding Assessment of Structure-Based Drug Design Methods
• Title（参考訳）: Delta Score: 構造に基づく医薬品設計手法のバインドアセスメントの改善
• Authors: Minsi Ren, Bowen Gao, Bo Qiang, Yanyan Lan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.272327734087598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-based drug design (SBDD) stands at the forefront of drug discovery, emphasizing the creation of molecules that target specific binding pockets. Recent advances in this area have witnessed the adoption of deep generative models and geometric deep learning techniques, modeling SBDD as a conditional generation task where the target structure serves as context. Historically, evaluation of these models centered on docking scores, which quantitatively depict the predicted binding affinity between a molecule and its target pocket. Though state-of-the-art models purport that a majority of their generated ligands exceed the docking score of ground truth ligands in test sets, it begs the question: Do these scores align with real-world biological needs? In this paper, we introduce the delta score, a novel evaluation metric grounded in tangible pharmaceutical requisites. Our experiments reveal that molecules produced by current deep generative models significantly lag behind ground truth reference ligands when assessed with the delta score. This novel metric not only complements existing benchmarks but also provides a pivotal direction for subsequent research in the domain.
• Abstract（参考訳）: 構造に基づく薬物設計(SBDD)は、特定の結合ポケットを標的とする分子の創出を強調し、創薬の最前線にある。 この領域の最近の進歩は、ターゲット構造がコンテキストとして機能する条件生成タスクとしてSBDDをモデル化し、深層生成モデルと幾何学的深層学習技術の採用を目撃している。 歴史的に、これらのモデルの評価はドッキングスコアを中心にしており、分子とその標的ポケットの間の結合親和性を定量的に表現している。 最先端のモデルでは、生成したリガンドの大多数が、テストセットの真理リガンドのドッキングスコアを上回っていることを示唆しているが、それは疑問である:これらのスコアは現実世界の生物学的ニーズと一致しているか? 本稿では,有形医薬品要求条件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,地中真理参照リガンドよりもかなり遅れていることがわかった。 この新しい計量は既存のベンチマークを補完するだけでなく、その後の領域の研究に重要な方向性を与える。

関連論文リスト

• From Theory to Therapy: Reframing SBDD Model Evaluation via Practical Metrics [21.78568415483299]
  ビナドッキングスコアの信頼性は、過度に適合する可能性があるため、ますます疑問視されている。 本稿では、生成分子と既知の活性化合物との類似性の評価を含む総合的な評価フレームワークを提案する。 提案するメトリクスとデータセットはこのギャップを埋めることを目的としており、将来のSBDDモデルの実用性を高める。
  論文  参考訳（メタデータ） (2024-06-13T10:23:52Z)
• 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)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• 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)
• Rethinking Specificity in SBDD: Leveraging Delta Score and Energy-Guided Diffusion [18.269722389716165]
  分子結合の特異性を評価するための新しい指標であるDelta Scoreを紹介する。 我々は, 活性化合物をデコイとする対照的な学習法を用いて, エネルギー誘導型アプローチを開発し, 高い特異性を持つ分子の創出に向けて, 生成モデルを誘導する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:25Z)
• 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)
• Open World Object Detection in the Era of Foundation Models [53.683963161370585]
  5つの実世界のアプリケーション駆動データセットを含む新しいベンチマークを導入する。 本稿では,オープンワールドのための新しいオブジェクト検出モデル(FOMO)を提案する。
  論文  参考訳（メタデータ） (2023-12-10T03:56:06Z)
• Leveraging Side Information for Ligand Conformation Generation using Diffusion-Based Approaches [12.71967232020327]
  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。
  論文  参考訳（メタデータ） (2023-08-02T09:56:47Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  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。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• 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)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)

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。