論文の概要: PROflow: An iterative refinement model for PROTAC-induced structure prediction
- arxiv url: http://arxiv.org/abs/2405.06654v1
- Date: Wed, 10 Apr 2024 05:29:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 08:49:26.599621
- Title: PROflow: An iterative refinement model for PROTAC-induced structure prediction
- Title(参考訳): Proflow: PROTACによる構造予測のための反復的改善モデル
- Authors: Bo Qiang, Wenxian Shi, Yuxuan Song, Menghua Wu,
- Abstract要約: キメラを標的とするプロテオリシス (PROTACs) は、標的と分解関連タンパク質を同時に結合することで、従来のアンドラッグタンパク質の分解を引き起こす小さな分子である。
合理的設計における重要な課題は、活動の構造的基盤を理解することである。
既存の PROTAC ドッキング法では, 距離制限されたタンパク質-タンパク質ドッキングタスクに問題を単純化することを余儀なくされている。
二元タンパク質-タンパク質複合体のみを必要とする新しい擬似データ生成手法を開発した。
この新たなデータセットは、制約下での完全なPROTACの柔軟性をモデル化する、PROTACによる構造予測の反復的改善モデルであるPROflowを実現する。
- 参考スコア(独自算出の注目度): 4.113597666007784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Proteolysis targeting chimeras (PROTACs) are small molecules that trigger the breakdown of traditionally ``undruggable'' proteins by binding simultaneously to their targets and degradation-associated proteins. A key challenge in their rational design is understanding their structural basis of activity. Due to the lack of crystal structures (18 in the PDB), existing PROTAC docking methods have been forced to simplify the problem into a distance-constrained protein-protein docking task. To address the data issue, we develop a novel pseudo-data generation scheme that requires only binary protein-protein complexes. This new dataset enables PROflow, an iterative refinement model for PROTAC-induced structure prediction that models the full PROTAC flexibility during constrained protein-protein docking. PROflow outperforms the state-of-the-art across docking metrics and runtime. Its inference speed enables the large-scale screening of PROTAC designs, and computed properties of predicted structures achieve statistically significant correlations with published degradation activities.
- Abstract(参考訳): キメラを標的とするプロテオリシス(PROTACs)は、標的タンパク質と分解関連タンパク質を同時に結合することで、従来の「非可逆性」タンパク質の分解を引き起こす小さな分子である。
合理的設計における重要な課題は、活動の構造的基盤を理解することである。
結晶構造が欠如しているため(PDBでは18)、既存のPTACドッキング法では、タンパク質ドッキングのタスクを制限したタンパク質ドッキングタスクへの問題を単純化せざるを得なくなった。
データ問題に対処するために、バイナリタンパク質-タンパク質複合体のみを必要とする新しい擬似データ生成手法を開発した。
この新たなデータセットは、タンパク質-タンパク質ドッキング中の完全なPROTACの柔軟性をモデル化する、PROTACによって誘導される構造予測の反復的洗練モデルであるPROflowを可能にする。
PROflowはドッキングメトリクスとランタイムで最先端のパフォーマンスを発揮する。
その推論速度は、PRTAC設計の大規模スクリーニングを可能にし、予測された構造物の計算特性は、公表された劣化活動と統計的に有意な相関を達成できる。
関連論文リスト
- SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。
アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。
大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文 参考訳(メタデータ) (2024-10-31T15:22:03Z) - A Comprehensive Review of Emerging Approaches in Machine Learning for De Novo PROTAC Design [1.534667887016089]
標的タンパク質分解(TPD)は、細胞の自然分解経路を利用して細胞内のタンパク質レベルを調節することを目的としている。
プロテオリシス標的キメラ(PROTAC)はPD戦略の中心にある。
このような複雑な分子を設計するための伝統的な手法には限界がある。
論文 参考訳(メタデータ) (2024-06-24T14:42:27Z) - Endowing Protein Language Models with Structural Knowledge [5.587293092389789]
本稿では,タンパク質構造データを統合することにより,タンパク質言語モデルを強化する新しいフレームワークを提案する。
PST(Protein Structure Transformer)と呼ばれる精製モデルは、小さなタンパク質構造データベース上でさらに事前訓練されている。
PSTは、タンパク質配列の最先端基盤モデルであるESM-2を一貫して上回り、タンパク質機能予測の新しいベンチマークを設定している。
論文 参考訳(メタデータ) (2024-01-26T12:47:54Z) - An approach to solve the coarse-grained Protein folding problem in a
Quantum Computer [0.0]
タンパク質の構造や酵素を理解することは、標的とした医薬品の設計、タンパク質関連疾患のメカニズムの解明、新規酵素の革新において重要な役割を担っている。
AIに基づくタンパク質構造予測手法の最近の進歩により、タンパク質の折り畳み問題はある程度解決されているが、配列の類似度が低いタンパク質の構造を決定する精度は限られている。
本研究では,より小さなタンパク質配列の構造を予測するために,ゲートベースの量子コンピュータ上で動作可能なターンベース符号化アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-11-23T18:20:05Z) - Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。
pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。
実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文 参考訳(メタデータ) (2023-02-03T10:49:52Z) - De novo PROTAC design using graph-based deep generative models [2.566673015346446]
グラフに基づく生成モデルを用いて,空グラフから PROTAC 様の構造を提案する。
我々は, 予測分解活性の高い化合物に対する生成モデルを構築した。
微調整後、難易度の高いPOIに対する予測活性は50%から80%に増加し、ほぼ完全な化学的妥当性が得られた。
論文 参考訳(メタデータ) (2022-11-04T15:34:45Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳(メタデータ) (2022-05-20T19:38:00Z) - 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) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳(メタデータ) (2020-08-11T15:01:32Z)
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。