Fugu-MT 論文翻訳(概要): NCIDiff: Non-covalent Interaction-generative Diffusion Model for Improving Reliability of 3D Molecule Generation Inside Protein Pocket

論文の概要: NCIDiff: Non-covalent Interaction-generative Diffusion Model for Improving Reliability of 3D Molecule Generation Inside Protein Pocket

arxiv url: http://arxiv.org/abs/2405.16861v1
Date: Mon, 27 May 2024 06:26:55 GMT
ステータス: 処理完了
システム内更新日: 2024-05-28 16:50:47.281779
Title: NCIDiff: Non-covalent Interaction-generative Diffusion Model for Improving Reliability of 3D Molecule Generation Inside Protein Pocket
Title（参考訳）: NCIDiff:タンパク質ポケット内における3次元分子生成の信頼性向上のための非共有相互作用生成拡散モデル
Authors: Joongwon Lee, Wonho Zhung, Woo Youn Kim,
Abstract要約: 非共有結合パターン(NCI)はタンパク質-リガンド複合体全体の普遍的なパターンである。提案モデルであるNCIDiffは,NCIタイプのタンパク質リガンドエッジと,サンプリング中にリガンド分子の3次元グラフを同時に認識する。 NCI生成戦略により,本モデルは信頼性の高いNCIを生成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Advancements in deep generative modeling have changed the paradigm of drug discovery. Among such approaches, target-aware methods that exploit 3D structures of protein pockets were spotlighted for generating ligand molecules with their plausible binding modes. While docking scores superficially assess the quality of generated ligands, closer inspection of the binding structures reveals the inconsistency in local interactions between a pocket and generated ligands. Here, we address the issue by explicitly generating non-covalent interactions (NCIs), which are universal patterns throughout protein-ligand complexes. Our proposed model, NCIDiff, simultaneously denoises NCI types of protein-ligand edges along with a 3D graph of a ligand molecule during the sampling. With the NCI-generating strategy, our model generates ligands with more reliable NCIs, especially outperforming the baseline diffusion-based models. We further adopted inpainting techniques on NCIs to further improve the quality of the generated molecules. Finally, we showcase the applicability of NCIDiff on drug design tasks for real-world settings with specialized objectives by guiding the generation process with desired NCI patterns.
Abstract（参考訳）: 深層生成モデリングの進歩は、薬物発見のパラダイムを変えてきた。このようなアプローチの中で、タンパク質ポケットの3次元構造を利用するターゲットアウェア法は、可塑性結合モードでリガンド分子を生成するために注目された。ドッキングスコアは生成リガンドの質を表面的に評価するが、結合構造の綿密な検査により、ポケットと生成リガンド間の局所的な相互作用の不整合が明らかになる。ここでは、タンパク質-リガンド複合体全体の普遍的なパターンである非共有相互作用(NCI)を明示的に生成することで、この問題に対処する。提案モデルであるNCIDiffは,NCIタイプのタンパク質リガンドエッジと,サンプリング中にリガンド分子の3次元グラフを同時に認識する。 NCI生成戦略により、我々のモデルはより信頼性の高いNCIを持つリガンドを生成する。我々はさらに,NCIの塗布技術を採用し,生成分子の品質をさらに向上させた。最後に,NCIDiffのドラッグデザインタスクへの適用性について述べる。

関連論文リスト

Multiview Random Vector Functional Link Network for Predicting DNA-Binding Proteins [0.0]
本稿では,マルチビュー学習とニューラルネットワークアーキテクチャを融合したMvRVFL(Multiview random vector functional link)ネットワークを提案する。提案したMvRVFLモデルは、後期および初期融合の利点を組み合わせ、異なるビューをまたいだ明確な正規化パラメータを可能にする。 DBPデータセット上で提案したMvRVFLモデルの性能はベースラインモデルよりも優れており、その優れた効果を示している。
論文参考訳（メタデータ） (2024-09-04T10:14:17Z)
A Plug-and-Play Method for Rare Human-Object Interactions Detection by Bridging Domain Gap [50.079224604394]
textbfContext-textbfEnhanced textbfFeature textbfAment (CEFA) と呼ばれる新しいモデルに依存しないフレームワークを提案する。 CEFAは機能アライメントモジュールとコンテキスト拡張モジュールで構成される。本手法は, 稀なカテゴリにおけるHOIモデルの検出性能を向上させるために, プラグアンドプレイモジュールとして機能する。
論文参考訳（メタデータ） (2024-07-31T08:42:48Z)
Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
論文参考訳（メタデータ） (2024-07-04T16:56:59Z)
Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文参考訳（メタデータ） (2024-07-01T06:10:29Z)
DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文参考訳（メタデータ） (2024-03-07T02:53:40Z)
Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning [2.01243755755303]
ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
論文参考訳（メタデータ） (2023-08-02T12:08:17Z)
Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文参考訳（メタデータ） (2023-06-20T14:21:58Z)
Structure-based Drug Design with Equivariant Diffusion Models [40.73626627266543]
本稿では,タンパク質ポケットに新しい条件を付加したSE(3)-同変拡散モデルDiffSBDDを提案する。我々のサイリコ実験では、DiffSBDDが地上の真実データの統計を効果的に捉えていることが示されています。これらの結果は、拡散モデルが従来の方法よりも正確に構造データの複雑な分布を表すという仮定を支持する。
論文参考訳（メタデータ） (2022-10-24T15:51:21Z)
Computer-Aided Multi-Objective Optimization in Small Molecule Discovery [3.032184156362992]
多目的分子発見のためのプールベースおよびデノボ生成手法について述べる。プール型分子発見は,多目的ベイズ最適化の比較的直接的な拡張であることを示す。この分野で残る課題と機会について論じる。
論文参考訳（メタデータ） (2022-10-13T17:33:07Z)
De novo design of protein target specific scaffold-based Inhibitors via Reinforcement Learning [8.210294479991118]
標的タンパク質の分子開発への現在のアプローチは直観駆動であり、反復的な設計-テストサイクルが遅くなるのを妨げている。本稿では3D-MolGNN$_RL$と呼ばれる新しいフレームワークを提案する。われわれのアプローチは、最適化された活動、有効性、生体物理特性によるリード最適化のための解釈可能な人工知能(AI)ツールとして機能する。
論文参考訳（メタデータ） (2022-05-21T00:47:35Z)
Conservative Objective Models for Effective Offline Model-Based Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。 COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文参考訳（メタデータ） (2021-07-14T17:55:28Z)

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。