論文の概要: Enhancing Ligand Pose Sampling for Molecular Docking

• arxiv url: http://arxiv.org/abs/2312.00191v1
• Date: Thu, 30 Nov 2023 21:02:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 16:25:11.208806
• Title: Enhancing Ligand Pose Sampling for Molecular Docking
• Title（参考訳）: 分子ドッキングのためのリガンドポースサンプリングの強化
• Authors: Patricia Suriana, Ron O. Dror
• Abstract要約: ディープラーニングは分子ドッキングのスコアリング機能を劇的に改善する。 GLOW (auGmented sampLing with sOftened vdW potential) と IVES という新しい手法について述べる。 評価の結果,提案手法が正確なポーズをサンプリングする可能性の向上に有効であることが示された。
• 参考スコア（独自算出の注目度）: 3.3401984262088447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning promises to dramatically improve scoring functions for molecular docking, leading to substantial advances in binding pose prediction and virtual screening. To train scoring functions-and to perform molecular docking-one must generate a set of candidate ligand binding poses. Unfortunately, the sampling protocols currently used to generate candidate poses frequently fail to produce any poses close to the correct, experimentally determined pose, unless information about the correct pose is provided. This limits the accuracy of learned scoring functions and molecular docking. Here, we describe two improved protocols for pose sampling: GLOW (auGmented sampLing with sOftened vdW potential) and a novel technique named IVES (IteratiVe Ensemble Sampling). Our benchmarking results demonstrate the effectiveness of our methods in improving the likelihood of sampling accurate poses, especially for binding pockets whose shape changes substantially when different ligands bind. This improvement is observed across both experimentally determined and AlphaFold-generated protein structures. Additionally, we present datasets of candidate ligand poses generated using our methods for each of around 5,000 protein-ligand cross-docking pairs, for training and testing scoring functions. To benefit the research community, we provide these cross-docking datasets and an open-source Python implementation of GLOW and IVES at https://github.com/drorlab/GLOW_IVES .
• Abstract（参考訳）: ディープラーニングは分子ドッキングのスコアリング機能を劇的に改善し、バインドポーズ予測と仮想スクリーニングの大幅な進歩をもたらす。 得点関数を訓練し、分子ドッキングを実行するには、一連の候補リガンド結合ポーズを生成する必要がある。 残念ながら、現在、候補ポーズを生成するために使われているサンプリングプロトコルは、正しいポーズに関する情報が提供されない限り、正しい、実験的に決定されたポーズに近いポーズをしばしば生成できない。 これにより、学習したスコアリング機能と分子ドッキングの精度が制限される。 本稿では,ポーズサンプリングのための2つの改良プロトコルについて述べる。glow(軟化vdw電位による提案サンプリング)とives(イテレーティブアンサンブルサンプリング)と呼ばれる新しい技術である。 ベンチマークの結果,特に異なる配位子が結合すると形状が大きく変化する結合ポケットにおいて,正確なポーズをサンプリングする可能性を高める手法の有効性が示された。 この改善は、実験的に決定されたタンパク質構造とアルファフォールド生成タンパク質構造の両方で観察される。 さらに, 約5,000個のタンパク質-リガンド相互ドッキングペアに対して, 評価関数のトレーニングとテストのために, 提案手法を用いて生成した候補リガンドポーズのデータセットを提案する。 GLOWとIVESのオープンソースPython実装をhttps://github.com/drorlab/GLOW_IVESで公開しています。

関連論文リスト

• Towards Seamless Adaptation of Pre-trained Models for Visual Place Recognition [72.35438297011176]
  視覚的位置認識のための事前学習モデル(VPR)のシームレスな適応を実現する新しい手法を提案する。 具体的には、地域を識別するための有意義なランドマークに焦点を当てたグローバルな特徴とローカルな特徴の両方を得るために、ハイブリッド適応法を設計する。 実験結果から,本手法はトレーニングデータやトレーニング時間が少なく,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T12:55:01Z)
• Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix [59.55173022987071]
  クラス非依存動作予測のための半教師あり学習の可能性について検討する。 我々のフレームワークは一貫性に基づく自己学習パラダイムを採用しており、ラベルのないデータからモデルを学習することができる。 本手法は,弱さと完全教師付き手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-12-13T09:32:50Z)
• ETDock: A Novel Equivariant Transformer for Protein-Ligand Docking [36.14826783009814]
  従来のドッキング法は、タンパク質と薬物のドッキングを予測するために、スコアリング機能とディープラーニングに依存している。 本稿では,タンパク質リガンドドッキングポーズ予測のためのトランスフォーマーニューラルネットワークを提案する。 実データを用いた実験結果から,本モデルが最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-12T06:23:12Z)
• FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
  $mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。 提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
  論文  参考訳（メタデータ） (2023-10-10T16:39:47Z)
• DrugCLIP: Contrastive Protein-Molecule Representation Learning for Virtual Screening [16.31607535765497]
  DrugCLIPは、仮想スクリーニングのための新しい対照的な学習フレームワークである。 明示的な結合親和性スコアなしで、大量のペアデータから結合タンパク質ポケットと分子の表現を調整できる。 様々な仮想スクリーニングベンチマークにおいて、従来のドッキングや教師あり学習方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-10T07:08:35Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• PIGNet2: A Versatile Deep Learning-based Protein-Ligand Interaction Prediction Model for Binding Affinity Scoring and Virtual Screening [0.0]
  タンパク質-リガンド相互作用の予測(PLI)は、薬物発見において重要な役割を果たす。 結合親和性を正確に評価し、効率的な仮想スクリーニングを行う汎用モデルの開発は依然として課題である。 本稿では、物理インフォームドグラフニューラルネットワークと組み合わせて、新しいデータ拡張戦略を導入することにより、実現可能なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-07-03T14:46:49Z)
• HaLP: Hallucinating Latent Positives for Skeleton-based Self-Supervised Learning of Actions [69.14257241250046]
  ラベルなしの骨格に基づく行動認識のためのモデル学習のための新しいコントラスト学習手法を提案する。 私たちの重要な貢献は、単純なモジュールであるHalucinate Latent Positivesのコントラスト学習へのHalucinate HaLPです。 実験を通して、標準のコントラスト学習フレームワーク内でこれらの生成した正を使用すれば、一貫した改善がもたらされることを示す。
  論文  参考訳（メタデータ） (2023-04-01T21:09:43Z)
• VL4Pose: Active Learning Through Out-Of-Distribution Detection For Pose Estimation [79.50280069412847]
  VL4Poseは、分布外検出によるアクティブな学習のための第一原理的アプローチである。 我々の解は、最大推定により訓練された単純なパラメトリックベイズネットワークを介してポーズをモデル化することを含む。 我々はMPII, LSP, ICVLの3つのデータセットに対して定性的かつ定量的な実験を行い, 人手ポーズ推定を行った。
  論文  参考訳（メタデータ） (2022-10-12T09:03:55Z)

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。