論文の概要: Multi-scale Iterative Refinement towards Robust and Versatile Molecular Docking

• arxiv url: http://arxiv.org/abs/2311.18574v1
• Date: Thu, 30 Nov 2023 14:09:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 16:19:52.782762
• Title: Multi-scale Iterative Refinement towards Robust and Versatile Molecular Docking
• Title（参考訳）: ロバストおよび可逆性分子ドッキングによるマルチスケール反復精製
• Authors: Jiaxian Yan, Zaixi Zhang, Kai Zhang, and Qi Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.28573902701018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular docking is a key computational tool utilized to predict the binding conformations of small molecules to protein targets, which is fundamental in the design of novel drugs. Despite recent advancements in geometric deep learning-based approaches leading to improvements in blind docking efficiency, these methods have encountered notable challenges, such as limited generalization performance on unseen proteins, the inability to concurrently address the settings of blind docking and site-specific docking, and the frequent occurrence of physical implausibilities such as inter-molecular steric clash. In this study, we introduce DeltaDock, a robust and versatile framework designed for efficient molecular docking to overcome these challenges. DeltaDock operates in a two-step process: rapid initial complex structures sampling followed by multi-scale iterative refinement of the initial structures. In the initial stage, to sample accurate structures with high efficiency, we develop a ligand-dependent binding site prediction model founded on large protein models and graph neural networks. This model is then paired with GPU-accelerated sampling algorithms. The sampled structures are updated using a multi-scale iterative refinement module that captures both protein-ligand atom-atom interactions and residue-atom interactions in the following stage. Distinct from previous geometric deep learning methods that are conditioned on the blind docking setting, DeltaDock demonstrates superior performance in both blind docking and site-specific docking settings. Comprehensive experimental results reveal that DeltaDock consistently surpasses baseline methods in terms of docking accuracy. Furthermore, it displays remarkable generalization capabilities and proficiency for predicting physically valid structures, thereby attesting to its robustness and reliability in various scenarios.
• Abstract（参考訳）: 分子ドッキング(英: molecular docking)は、タンパク質標的への小さな分子の結合構造を予測するために使われる重要な計算ツールである。 ブラインドドッキング効率の改善につながる幾何学的深層学習に基づくアプローチの最近の進歩にもかかわらず、これらの手法は、未発見タンパク質の一般化性能の制限、ブラインドドッキングの設定と部位特異的ドッキングの同時対応の欠如、分子間立体衝突のような物理的不均一性の頻発など、注目すべき課題に遭遇している。 本研究では,これらの課題を克服するための効率的な分子ドッキングを目的とした,堅牢で汎用的なフレームワークであるDeltaDockを紹介する。 DeltaDockは2段階のプロセスで機能する: 高速な初期複素構造サンプリングに続いて、初期構造を複数スケールで反復的に洗練する。 初期段階では、高い効率で正確な構造をサンプリングするために、大きなタンパク質モデルとグラフニューラルネットワークに基づくリガンド依存結合部位予測モデルを開発した。 このモデルはgpuによるサンプリングアルゴリズムと組み合わせられる。 サンプル構造は、タンパク質-リガンド原子-原子相互作用と残基-原子相互作用の両方を次の段階で捉えるマルチスケール反復精製モジュールを用いて更新される。 従来の幾何学的深層学習手法と異なり、DeltaDockはブラインドドッキングとサイト固有のドッキングの両方で優れた性能を示している。 総合的な実験の結果、デルタドックはドッキング精度でベースラインメソッドを一貫して上回っていることが判明した。 さらに、物理的に有効な構造を予測するための顕著な一般化能力と熟練度を示し、様々なシナリオにおいてその堅牢性と信頼性を示す。

関連論文リスト

• Dockformer: A transformer-based molecular docking paradigm for large-scale virtual screening [29.886873241333433]
  複合ライブラリのサイズが大きくなるにつれて、従来のドッキングモデルの複雑さが増す。 ディープラーニングアルゴリズムは、ドッキングプロセスのスピードを高めるために、データ駆動リサーチと開発モデルを提供することができる。 本研究では,Dockformerという,ディープラーニングに基づくドッキング手法を紹介する。
  論文  参考訳（メタデータ） (2024-11-11T06:25:13Z)
• DeltaDock: A Unified Framework for Accurate, Efficient, and Physically Reliable Molecular Docking [15.205550571902366]
  分子ドッキングはタンパク質-リガンド相互作用を理解するために構造に基づく薬物設計において重要である。 近年のドッキング法の発展により,従来のサンプリング法に比べて効率と精度が著しく向上した。 ポケット予測とサイト固有のドッキングからなる新しい2段階ドッキングフレームワークDeltaDockを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:09:06Z)
• 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)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• 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)
• Pre-Training on Large-Scale Generated Docking Conformations with HelixDock to Unlock the Potential of Protein-ligand Structure Prediction Models [42.16524616409125]
  本研究では,大規模ドッキングコンフォーメーションの事前学習により,優れた性能を有するタンパク質リガンド構造予測モデルが得られることを示す。 提案モデルであるHelixDockは,物理ベースのドッキングツールによってカプセル化された物理知識を,事前学習期間中に取得することを目的としている。
  論文  参考訳（メタデータ） (2023-10-21T05:54:26Z)
• DockGame: Cooperative Games for Multimeric Rigid Protein Docking [45.970633276976045]
  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。
  論文  参考訳（メタデータ） (2023-10-09T22:02:05Z)
• 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)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。