論文の概要: GeoDirDock: Guiding Docking Along Geodesic Paths

• arxiv url: http://arxiv.org/abs/2404.06481v1
• Date: Tue, 9 Apr 2024 17:31:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 13:42:03.025120
• Title: GeoDirDock: Guiding Docking Along Geodesic Paths
• Title（参考訳）: GeoDirDock: 測地道に沿ってドッキングを誘導する
• Authors: Raúl Miñán, Javier Gallardo, Álvaro Ciudad, Alexis Molina,
• Abstract要約: GeoDirDock (GDD) は、ドッキング予測の精度と物理的妥当性を高める分子ドッキングの新しいアプローチである。 GDDは、変換、回転、およびねじれ自由度を表す複数の空間内の測地線経路に沿った拡散モデルの認知過程を導く。 GDDは、RMSDの精度と物理化学的ポーズリアリズムの観点から、既存のブラインドドッキング法を著しく上回っていることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work introduces GeoDirDock (GDD), a novel approach to molecular docking that enhances the accuracy and physical plausibility of ligand docking predictions. GDD guides the denoising process of a diffusion model along geodesic paths within multiple spaces representing translational, rotational, and torsional degrees of freedom. Our method leverages expert knowledge to direct the generative modeling process, specifically targeting desired protein-ligand interaction regions. We demonstrate that GDD significantly outperforms existing blind docking methods in terms of RMSD accuracy and physicochemical pose realism. Our results indicate that incorporating domain expertise into the diffusion process leads to more biologically relevant docking predictions. Additionally, we explore the potential of GDD for lead optimization in drug discovery through angle transfer in maximal common substructure (MCS) docking, showcasing its capability to predict ligand orientations for chemically similar compounds accurately.
• Abstract（参考訳）: この研究は、分子ドッキングの新しいアプローチであるGeoDirDock(GDD)を導入し、リガンドドッキング予測の精度と物理的妥当性を高める。 GDDは、変換、回転、およびねじれ自由度を表す複数の空間内の測地線経路に沿った拡散モデルの認知過程を導く。 本手法は,タンパク質-リガンド相互作用領域を対象とする生成モデリングプロセスの指導に専門家の知識を活用する。 GDDは、RMSDの精度と物理化学的ポーズリアリズムの観点から、既存のブラインドドッキング法を著しく上回っていることを実証した。 以上の結果から,ドメインの専門知識を拡散プロセスに組み込むことで,より生物学的なドッキング予測がもたらされることが示唆された。 さらに,最大共通部分構造ドッキング(MCSドッキング)の角度移動による薬物発見におけるGDDのリード最適化の可能性について検討し,化学的に類似した化合物の配位を正確に予測する能力を示した。

関連論文リスト

• Bridging Geometric States via Geometric Diffusion Bridge [79.60212414973002]
  本稿では,初期および対象の幾何状態を正確にブリッジする新しい生成モデリングフレームワークであるGeometric Diffusion Bridge (GDB)を紹介する。 GDBは、幾何学的状態の接続のためにDoobの$h$-transformの修正版から派生した同変拡散ブリッジを使用している。 我々はGDBが既存の最先端のアプローチを超越し、幾何学的状態を正確にブリッジするための新しい経路を開くことを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:59:53Z)
• HEroBM: a deep equivariant graph neural network for universal backmapping from coarse-grained to all-atom representations [0.0]
  粗粒度(CG)技術は大規模システムをサンプリングするための貴重なツールとして登場した。 彼らは、調査プロセスの解読において大きな関連性を持つ可能性のある、原子論的な詳細を犠牲にしている。 推奨されるアプローチは、重要なCGコンホメーションを特定し、それらをバックマッピング法で処理し、原子座標を検索することである。 深部等変グラフニューラルネットワークと階層的アプローチを用いて高分解能バックマッピングを実現する,動的でスケーラブルなHEroBMを提案する。
  論文  参考訳（メタデータ） (2024-04-25T13:54:31Z)
• 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)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Short and Straight: Geodesics on Differentiable Manifolds [6.85316573653194]
  本研究では,測地線長を最小化するための既存の手法をまず解析する。 次に,連続多様体上の距離場と測地流のモデルに基づくパラメータ化を提案する。 第3に,Ricciスカラーのより大きい値を示す多様体の領域において,曲率に基づくトレーニング機構,サンプリングおよびスケーリングポイントを開発する。
  論文  参考訳（メタデータ） (2023-05-24T15:09:41Z)
• Discovering Class-Specific GAN Controls for Semantic Image Synthesis [73.91655061467988]
  本稿では,事前訓練されたSISモデルの潜在空間において,空間的に不整合なクラス固有方向を求める新しい手法を提案する。 提案手法によって検出される潜在方向は,セマンティッククラスの局所的な外観を効果的に制御できることを示す。
  論文  参考訳（メタデータ） (2022-12-02T21:39:26Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
  ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。 我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
  論文  参考訳（メタデータ） (2021-05-06T17:36:55Z)

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。