論文の概要: CompassDock: Comprehensive Accurate Assessment Approach for Deep Learning-Based Molecular Docking in Inference and Fine-Tuning

• arxiv url: http://arxiv.org/abs/2406.06841v2
• Date: Tue, 01 Oct 2024 11:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-02 16:31:37.822064
• Title: CompassDock: Comprehensive Accurate Assessment Approach for Deep Learning-Based Molecular Docking in Inference and Fine-Tuning
• Title（参考訳）: CompassDock:推論と微調整における深層学習に基づく分子ドッキングのための総合的精度評価手法
• Authors: Ahmet Sarigun, Vedran Franke, Bora Uyar, Altuna Akalin,
• Abstract要約: PDBBindデータセットの物理・化学的・生物活性特性を包括的に分析した。 Compassは、結合親和性エネルギーを計算するための新しい経験的スコア機能であるPoseCheckとAA-Scoreを統合している。 Compassには最先端のディープラーニングベースの分子ドッキング手法が組み込まれている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Datasets used for molecular docking, such as PDBBind, contain technical variability - they are noisy. Although the origins of the noise have been discussed, a comprehensive analysis of the physical, chemical, and bioactivity characteristics of the datasets is still lacking. To address this gap, we introduce the Comprehensive Accurate Assessment (Compass). Compass integrates two key components: PoseCheck, which examines ligand strain energy, protein-ligand steric clashes, and interactions, and AA-Score, a new empirical scoring function for calculating binding affinity energy. Together, these form a unified workflow that assesses both the physical/chemical properties and bioactivity favorability of ligands and protein-ligand interactions. Our analysis of the PDBBind dataset using Compass reveals substantial noise in the ground truth data. Additionally, we propose CompassDock, which incorporates the Compass module with DiffDock, the state-of-the-art deep learning-based molecular docking method, to enable accurate assessment of docked ligands during inference. Finally, we present a new paradigm for enhancing molecular docking model performance by fine-tuning with Compass Scores, which encompass binding affinity energy, strain energy, and the number of steric clashes identified by Compass. Our results show that, while fine-tuning without Compass improves the percentage of docked poses with RMSD < 2{\AA}, it leads to a decrease in physical/chemical and bioactivity favorability. In contrast, fine-tuning with Compass shows a limited improvement in RMSD < 2{\AA} but enhances the physical/chemical and bioactivity favorability of the ligand conformation. The source code is available publicly at https://github.com/BIMSBbioinfo/CompassDock.
• Abstract（参考訳）: PDBBindのような分子ドッキングに使用されるデータセットには、技術的多様性がある。 ノイズの起源については議論されているが、データセットの物理的, 化学的, 生物活性特性の包括的分析はいまだに欠落している。 このギャップに対処するため、包括的精度評価(Compass)を導入する。 コンパスは、リガンドひずみエネルギー、タンパク質-リガンド立体衝突、相互作用を調べるPoseCheckと、結合親和性エネルギーを計算するための新しい経験的スコア関数AA-Scoreの2つの重要なコンポーネントを統合する。 これらは統合されたワークフローを形成し、リガンドとタンパク質-リガンド相互作用の物理的・化学的性質と生物活性の双方を評価する。 Compass を用いた PDBBind データセットの解析により,地中真理データにかなりのノイズが現れる。 さらに,CompassモジュールとDiffDockを組み込んだCompassDockを提案する。 最後に、結合親和性エネルギー、ひずみエネルギー、およびコンパスによって同定された立体衝突の数を含むコンパススコアの微調整により分子ドッキングモデルの性能を向上させるための新しいパラダイムを提案する。 以上の結果から,コンパスなしでの微調整は,RMSD<2{\AA} によるドッキングポーズの割合を向上するが,身体・化学的・生物活性の低下につながることが示唆された。 対照的に、コンパスによる微調整はRMSD < 2{\AA} を限定的に改善するが、リガンドコンホメーションの物理的・化学的・生物活性の優位性を高める。 ソースコードはhttps://github.com/BIMSBbioinfo/CompassDock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。