Fugu-MT 論文翻訳(概要): Uni-Mol Docking V2: Towards Realistic and Accurate Binding Pose Prediction

論文の概要: Uni-Mol Docking V2: Towards Realistic and Accurate Binding Pose Prediction

arxiv url: http://arxiv.org/abs/2405.11769v1
Date: Mon, 20 May 2024 04:05:30 GMT
ステータス: 処理完了
システム内更新日: 2024-05-21 14:13:43.654611
Title: Uni-Mol Docking V2: Towards Realistic and Accurate Binding Pose Prediction
Title（参考訳）: Uni-Mol Docking V2: Realistic and accurate Binding Pose Predictionを目指して
Authors: Eric Alcaide, Zhifeng Gao, Guolin Ke, Yaqi Li, Linfeng Zhang, Hang Zheng, Gengmo Zhou,
Abstract要約: 本稿では,Uni-Mol Docking V2について述べる。これは、以前のUni-Mol Dockingモデルによって達成された62%から大幅に増加したことを意味する。この結果は、人工知能の科学研究への応用における大きな進歩を表している。
参考スコア（独自算出の注目度）: 20.991908947447676
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In recent years, machine learning (ML) methods have emerged as promising alternatives for molecular docking, offering the potential for high accuracy without incurring prohibitive computational costs. However, recent studies have indicated that these ML models may overfit to quantitative metrics while neglecting the physical constraints inherent in the problem. In this work, we present Uni-Mol Docking V2, which demonstrates a remarkable improvement in performance, accurately predicting the binding poses of 77+% of ligands in the PoseBusters benchmark with an RMSD value of less than 2.0 {\AA}, and 75+% passing all quality checks. This represents a significant increase from the 62% achieved by the previous Uni-Mol Docking model. Notably, our Uni-Mol Docking approach generates chemically accurate predictions, circumventing issues such as chirality inversions and steric clashes that have plagued previous ML models. Furthermore, we observe enhanced performance in terms of high-quality predictions (RMSD values of less than 1.0 {\AA} and 1.5 {\AA}) and physical soundness when Uni-Mol Docking is combined with more physics-based methods like Uni-Dock. Our results represent a significant advancement in the application of artificial intelligence for scientific research, adopting a holistic approach to ligand docking that is well-suited for industrial applications in virtual screening and drug design. The code, data and service for Uni-Mol Docking are publicly available for use and further development in https://github.com/dptech-corp/Uni-Mol.
Abstract（参考訳）: 近年,機械学習(ML)手法は分子ドッキングの代替として期待されている。しかし、最近の研究では、これらのMLモデルは、問題に固有の物理的制約を無視しながら、測定値に過度に適合する可能性があることが示されている。 In this work, we present Uni-Mol Docking V2 that showed a impressive improvement in performance, accurate predicting the binding poses of 777+% of ligands in the PoseBusters benchmark with a RMSD value of 2.0 {\AA}, and 75+% pass all quality checks。これは、以前のUni-Mol Dockingモデルによって達成された62%から大幅に増加したことを意味する。特に、我々のUni-Mol Dockingアプローチは化学的に正確な予測を生成し、過去のMLモデルを悩ませたキラリティ反転や立体衝突などの問題を回避しています。さらに,Uni-Mol DockingとUni-Dockのような物理ベースの手法を組み合わせた場合,高品質な予測(RMSD値1.0.AAと1.5.AAの値)と物理音質の高機能化を観察する。本研究は, 仮想スクリーニングおよび薬物設計における産業応用に適したリガンドドッキングに対する総合的なアプローチを採用することにより, 人工知能の科学研究への応用の著しい進歩を示すものである。 Uni-Mol Dockingのコード、データ、サービスはhttps://github.com/dptech-corp/Uni-Mol.comで公開されている。

関連論文リスト

Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデルアタック(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文参考訳（メタデータ） (2024-07-16T06:38:49Z)
Scoreformer: A Surrogate Model For Large-Scale Prediction of Docking Scores [0.0]
分子ドッキングスコアを正確に予測するために設計された新しいグラフトランスフォーマモデルであるScoreFormerを提案する。 ScoreFormerはドッキングスコア予測の競争性能を達成し、既存のモデルに比べて1.65倍の推論時間削減を実現している。
論文参考訳（メタデータ） (2024-06-13T17:31:02Z)
Smiles2Dock: an open large-scale multi-task dataset for ML-based molecular docking [0.0]
分子ドッキングのための大規模マルチタスクデータセットであるSmiles2Dockを紹介する。我々は、ChEMBLデータベースから15のAlphaFoldタンパク質に170万をドッキングし、2500万以上のタンパク質-リガンド結合スコアを与えました。我々のデータセットとコードは、分子ドッキングのための新しいMLベースの手法の開発を支援するために公開されています。
論文参考訳（メタデータ） (2024-06-09T11:13:03Z)
SDPose: Tokenized Pose Estimation via Circulation-Guide Self-Distillation [53.675725490807615]
SDPoseは小型変圧器モデルの性能向上のための新しい自己蒸留法である。 SDPose-Tは4.4Mパラメータと1.8 GFLOPを持つ69.7%のmAPを取得し、SDPose-S-V2はMSCOCO検証データセット上で73.5%のmAPを取得する。
論文参考訳（メタデータ） (2024-04-04T15:23:14Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Highly Accurate Quantum Chemical Property Prediction with Uni-Mol+ [36.61144345418364]
量子化学(QC)特性の予測を高速化するために,Uni-Mol+と呼ばれる新しい手法を提案する。 2トラックトランスフォーマーモデルバックボーンを導入し、QC特性予測タスクでトレーニングする。ベンチマークの結果,提案したUni-Mol+はQC特性予測の精度を大幅に向上することが示された。
論文参考訳（メタデータ） (2023-03-16T07:51:34Z)
Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation [82.0801585843835]
逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
論文参考訳（メタデータ） (2023-01-28T13:38:48Z)
Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文参考訳（メタデータ） (2022-10-14T08:09:33Z)
Better Quality Estimation for Low Resource Corpus Mining [2.3710618854398575]
そこで本研究では,Parallel Corpus Mining環境でテストされた最先端QEモデルについて,ドメイン外例に対する堅牢性の欠如により,予期せぬ悪い結果が得られた。より優れた、より堅牢なQEパフォーマンスを実現するために、トレーニング、データ拡張、コントラスト学習の組み合わせを提案する。
論文参考訳（メタデータ） (2022-03-15T21:23:22Z)
Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文参考訳（メタデータ） (2021-01-06T17:36:26Z)

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。