論文の概要: From Theory to Therapy: Reframing SBDD Model Evaluation via Practical Metrics
- arxiv url: http://arxiv.org/abs/2406.08980v1
- Date: Thu, 13 Jun 2024 10:23:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-14 18:34:37.171911
- Title: From Theory to Therapy: Reframing SBDD Model Evaluation via Practical Metrics
- Title(参考訳): 理論から治療へ: 実践的メトリクスによるSBDDモデル評価の緩和
- Authors: Bowen Gao, Haichuan Tan, Yanwen Huang, Minsi Ren, Xiao Huang, Wei-Ying Ma, Ya-Qin Zhang, Yanyan Lan,
- Abstract要約: ビナドッキングスコアの信頼性は、過度に適合する可能性があるため、ますます疑問視されている。
本稿では、生成分子と既知の活性化合物との類似性の評価を含む総合的な評価フレームワークを提案する。
提案するメトリクスとデータセットはこのギャップを埋めることを目的としており、将来のSBDDモデルの実用性を高める。
- 参考スコア(独自算出の注目度): 21.78568415483299
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in structure-based drug design (SBDD) have significantly enhanced the efficiency and precision of drug discovery by generating molecules tailored to bind specific protein pockets. Despite these technological strides, their practical application in real-world drug development remains challenging due to the complexities of synthesizing and testing these molecules. The reliability of the Vina docking score, the current standard for assessing binding abilities, is increasingly questioned due to its susceptibility to overfitting. To address these limitations, we propose a comprehensive evaluation framework that includes assessing the similarity of generated molecules to known active compounds, introducing a virtual screening-based metric for practical deployment capabilities, and re-evaluating binding affinity more rigorously. Our experiments reveal that while current SBDD models achieve high Vina scores, they fall short in practical usability metrics, highlighting a significant gap between theoretical predictions and real-world applicability. Our proposed metrics and dataset aim to bridge this gap, enhancing the practical applicability of future SBDD models and aligning them more closely with the needs of pharmaceutical research and development.
- Abstract(参考訳): 近年のSBDD(Structure-based drug design)の進歩により、特定のタンパク質ポケットに結合するように調整された分子を生成することにより、薬物発見の効率と精度が著しく向上した。
これらの技術的進歩にもかかわらず、これらの分子の合成と試験の複雑さのため、現実の薬物開発における実践的応用は依然として困難である。
結合能力を評価するための現在の標準であるVinaドッキングスコアの信頼性は、過度に適合する可能性があるため、ますます疑問視されている。
これらの制約に対処するため, 生成分子と既知の活性化合物との類似性の評価, 仮想スクリーニングに基づく仮想配置指標の導入, 結合親和性の再評価を含む包括的評価フレームワークを提案する。
我々の実験によると、現在のSBDDモデルは高いVinaスコアを達成しているが、実際のユーザビリティの指標では不足しており、理論的な予測と実世界の適用性の間に大きなギャップが浮かび上がっている。
提案したメトリクスとデータセットは、このギャップを埋め、将来のSBDDモデルの実践的適用性を高め、医薬品研究と開発のニーズをより緊密に調整することを目的としています。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳(メタデータ) (2024-11-10T16:40:27Z) - Evaluation Framework for AI-driven Molecular Design of Multi-target Drugs: Brain Diseases as a Case Study [0.0]
マルチターゲットドラッグディスカバリ(Multi-target Drug Discovery、MTDD)は、複雑な疾患に対する薬物発見のパラダイムである。
本稿では,MTDDシナリオにおける分子生成手法の評価フレームワークを提案する。
論文 参考訳(メタデータ) (2024-08-20T01:42:16Z) - SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。
伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。
この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
論文 参考訳(メタデータ) (2024-07-10T08:40:07Z) - TAGMol: Target-Aware Gradient-guided Molecule Generation [19.977071499171903]
3次元生成モデルは、構造ベースドラッグデザイン(SBDD)において大きな可能性を秘めている。
問題を分子生成と特性予測に分離する。
後者は相乗的に拡散サンプリング過程を導出し、誘導拡散を促進し、所望の性質を持つ有意義な分子を創出する。
この誘導分子生成過程をTAGMolと呼ぶ。
論文 参考訳(メタデータ) (2024-06-03T14:43:54Z) - Rethinking Specificity in SBDD: Leveraging Delta Score and Energy-Guided Diffusion [18.269722389716165]
分子結合の特異性を評価するための新しい指標であるDelta Scoreを紹介する。
我々は, 活性化合物をデコイとする対照的な学習法を用いて, エネルギー誘導型アプローチを開発し, 高い特異性を持つ分子の創出に向けて, 生成モデルを誘導する。
論文 参考訳(メタデータ) (2024-03-04T07:40:25Z) - Delta Score: Improving the Binding Assessment of Structure-Based Drug
Design Methods [14.272327734087598]
そこで本研究では,有形医薬品要求量に基づく新しい評価基準であるデルタスコアについて紹介する。
実験の結果,現行の深部生成モデルで生成する分子はデルタ値で評価すると,地上基準真理よりもかなり遅れていることがわかった。
論文 参考訳(メタデータ) (2023-11-01T08:37:39Z) - 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) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳(メタデータ) (2022-11-17T15:48:06Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - Pathloss modeling for in-body optical wireless communications [65.33908037519238]
光無線通信(OWC)は、次世代の体内ナノスケールネットワークとインプラントの候補として認識されている。
本稿では,体内OWCの一般パスロスモデルについて述べる。
論文 参考訳(メタデータ) (2021-05-06T17:17:45Z) - Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost
Functions [80.12620331438052]
深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました
その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。
このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文 参考訳(メタデータ) (2020-06-25T08:46:37Z)
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。