Fugu-MT 論文翻訳(概要): Compass: A Comprehensive Tool for Accurate and Efficient Molecular Docking in Inference and Fine-Tuning

論文の概要: Compass: A Comprehensive Tool for Accurate and Efficient Molecular Docking in Inference and Fine-Tuning

arxiv url: http://arxiv.org/abs/2406.06841v1
Date: Mon, 10 Jun 2024 23:23:36 GMT
ステータス: 処理完了
システム内更新日: 2024-06-12 19:56:14.415585
Title: Compass: A Comprehensive Tool for Accurate and Efficient Molecular Docking in Inference and Fine-Tuning
Title（参考訳）: Compass:推論と微調整における高精度かつ効率的な分子ドッキングツール
Authors: Ahmet Sarigun, Vedran Franke, Altuna Akalin,
Abstract要約: PDBBindのようなドッキングデータセットにおけるノイズレベルに対する新しいアプローチを提案する。ドッキング分子の実現可能性を評価するため,PoseCheckモジュールとAA-Scoreモジュールを統合した。また,最新の分子ドッキング手法であるDiffDockを推論モードに組み込んで,効率的かつ正確な評価を行う。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: While there has been discussion about noise levels in molecular docking datasets such as PDBBind, a thorough analysis of their physical/chemical and bioactivity noise characteristics is still lacking. PoseCheck addresses this issue by examining molecular strain energy, molecular-protein clashes, and interactions, but it is primarily created for $de$ $novo$ drug design. Another important metric in molecular docking, Binding Affinity Energy, is better assessed by the new empirical score function, AA-Score, which has demonstrated improved performance over existing methods. To tackle these challenges, we propose the COMPASS method, which integrates the PoseCheck and AA-Score modules. This approach evaluates dataset noise levels and the physical/chemical and bioactivity feasibility of docked molecules. Our analysis of the PDBBind dataset using COMPASS reveals significant noise in the ground truth data. Additionally, we incorporate COMPASS with the state-of-the-art molecular docking method, DiffDock, in inference mode to achieve efficient and accurate assessments of docked ligands. Finally, we propose a new paradigm to enhance model performance for molecular docking through fine-tuning and discuss the potential benefits of this approach. The source code is available publicly at https://github.com/BIMSBbioinfo/Compass.
Abstract（参考訳）: PDBBindのような分子ドッキングデータセットのノイズレベルについては議論されているが、物理・化学的・生物活性のノイズ特性の詳細な分析はいまだ不十分である。 PoseCheckは、分子ひずみエネルギー、分子とタンパク質の衝突、相互作用を調べることでこの問題に対処する。分子ドッキングにおけるもう1つの重要な指標であるBing Affinity Energyは、新しい経験的スコア関数であるAA-Scoreにより評価され、既存の手法よりも性能が向上した。これらの課題に対処するため,PoseCheckおよびAA-Scoreモジュールを統合したCompASS法を提案する。この手法は、ドッキング分子のデータセットノイズレベルと物理的・化学的・生物活動性を評価する。 COMPASSを用いたPDBBindデータセットの解析により,地中真理データに有意なノイズが認められた。さらに,CompASSを最新の分子ドッキング法であるDiffDockを推論モードに組み込んでドッキングリガンドの効率的かつ正確な評価を行う。最後に,分子ドッキングのモデル性能を微調整により向上させる新しいパラダイムを提案し,本手法の利点について考察する。ソースコードはhttps://github.com/BIMSBbioinfo/Compassで公開されている。

関連論文リスト

Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文参考訳（メタデータ） (2024-09-23T17:11:04Z)
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)
SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
論文参考訳（メタデータ） (2023-12-12T09:33:54Z)
Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文参考訳（メタデータ） (2023-12-09T07:08:00Z)
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)
On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文参考訳（メタデータ） (2023-10-10T14:57:04Z)
Leveraging Side Information for Ligand Conformation Generation using Diffusion-Based Approaches [12.71967232020327]
リガンド分子コンホメーション生成は、薬物発見において重要な課題である。この問題を解決するためにディープラーニングモデルが開発されている。これらのモデルはしばしば、本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
論文参考訳（メタデータ） (2023-08-02T09:56:47Z)
BioBLP: A Modular Framework for Learning on Multimodal Biomedical Knowledge Graphs [3.780924717521521]
知識グラフへの埋め込みを学習するためのモジュラーフレームワークを提案する。異なるモダリティの属性データをエンコードできると同時に、属性が欠けているエンティティもサポートする。約200万トリプルのバイオメディカルKGを用いてモデルを訓練する。
論文参考訳（メタデータ） (2023-06-06T11:49:38Z)
Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文参考訳（メタデータ） (2021-07-21T03:34:09Z)
Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文参考訳（メタデータ） (2020-12-17T17:44:01Z)
Energy-based Graph Convolutional Networks for Scoring Protein Docking Models [19.09624358779376]
タンパク質ドッキングにおける2つの問題は、それぞれ相対的および絶対的なスコアと見なされ、物理に着想を得た1つのディープラーニングフレームワークで対処される。グラフデータから直接、一般化された相互作用エネルギーを学習できるように、エッジ機能を介してノードの機能をプールする新しいグラフ畳み込みカーネルを提案する。得られたエネルギーベースのグラフ畳み込みネットワーク(EGCN)は、多面的な注意を払って、分子内および分子間エネルギー、結合親和性、および遭遇複合体の品質測定(界面RMSD)を予測するために訓練される。
論文参考訳（メタデータ） (2019-12-28T15:57:17Z)

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。