論文の概要: Deep Confident Steps to New Pockets: Strategies for Docking Generalization

• arxiv url: http://arxiv.org/abs/2402.18396v1
• Date: Wed, 28 Feb 2024 15:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-29 14:37:31.367147
• Title: Deep Confident Steps to New Pockets: Strategies for Docking Generalization
• Title（参考訳）: 新たなポケットへの深い信頼 - 一般化のドッキング戦略
• Authors: Gabriele Corso, Arthur Deng, Benjamin Fry, Nicholas Polizzi, Regina Barzilay, Tommi Jaakkola
• Abstract要約: 既存のベンチマークは、厳格に一般化性を評価することができません。 既存の機械学習ベースのドッキングモデルは、非常に弱い一般化能力を持つことを示す。 拡散モデルと信頼モデルとの相互作用に依存する新しいトレーニングパラダイムである信頼性ブートストラップを提案する。
• 参考スコア（独自算出の注目度）: 26.538090776075784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate blind docking has the potential to lead to new biological breakthroughs, but for this promise to be realized, docking methods must generalize well across the proteome. Existing benchmarks, however, fail to rigorously assess generalizability. Therefore, we develop DockGen, a new benchmark based on the ligand-binding domains of proteins, and we show that existing machine learning-based docking models have very weak generalization abilities. We carefully analyze the scaling laws of ML-based docking and show that, by scaling data and model size, as well as integrating synthetic data strategies, we are able to significantly increase the generalization capacity and set new state-of-the-art performance across benchmarks. Further, we propose Confidence Bootstrapping, a new training paradigm that solely relies on the interaction between diffusion and confidence models and exploits the multi-resolution generation process of diffusion models. We demonstrate that Confidence Bootstrapping significantly improves the ability of ML-based docking methods to dock to unseen protein classes, edging closer to accurate and generalizable blind docking methods.
• Abstract（参考訳）: 正確な盲目のドッキングは、新しい生物学的ブレークスルーにつながる可能性があるが、この約束を実現するためには、ドッキングの方法がプロテオームを越えてうまく一般化する必要がある。 しかし、既存のベンチマークは、厳密に一般化性を評価することができない。 そこで我々は,タンパク質のリガンド結合ドメインに基づく新しいベンチマークであるDockGenを開発した。 我々はMLベースのドッキングのスケーリング法則を慎重に分析し、データとモデルサイズをスケーリングし、合成データ戦略を統合することにより、一般化能力を大幅に向上し、ベンチマーク全体で新しい最先端のパフォーマンスを設定できることを示す。 さらに,拡散モデルと信頼モデルの相互作用のみに依存する新しい学習パラダイムである信頼度ブートストラップを提案し,拡散モデルのマルチレゾリューション生成プロセスを活用する。 信頼性ブートストラッピングは、MLベースのドッキング手法が未確認のタンパク質クラスにドッキングし、正確で一般化可能なブラインドドッキング手法に近づく能力を大幅に改善することを示した。

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)
• Advancing Cross-Domain Generalizability in Face Anti-Spoofing: Insights, Design, and Metrics [10.631157315662607]
  本稿では,ゼロショットデータ領域の一般化におけるアンチ・スプーフィング性能の向上に向けた新たな視点を提案する。 従来のフレームワイドのスプーフィング予測に先立ち、ビデオワイドの予測のためにフレームレベルの確率を集約するニュアンス付き計量計算を導入する。 最終モデルは、データセット全体で既存の最先端メソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-06-18T04:15:22Z)
• 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)
• 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)
• 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)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)

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。