Fugu-MT 論文翻訳(概要): Geometric-informed GFlowNets for Structure-Based Drug Design

論文の概要: Geometric-informed GFlowNets for Structure-Based Drug Design

arxiv url: http://arxiv.org/abs/2406.10867v1
Date: Sun, 16 Jun 2024 09:32:19 GMT
ステータス: 処理完了
システム内更新日: 2024-06-18 20:21:59.046255
Title: Geometric-informed GFlowNets for Structure-Based Drug Design
Title（参考訳）: 構造に基づく医薬品設計のための幾何学的インフォームドGFlowNet
Authors: Grayson Lee, Tony Shen, Martin Ester,
Abstract要約: 我々は生成フローネットワーク(GFlowNets)を用いて、薬物様分子の広大な空間を探索する。三角的に一貫した埋め込みを組み込むことにより,GFlowNetフレームワークに新たな改良を加える。 CrossDocked 2020を用いて行った実験では、生成された分子とタンパク質ポケットの結合親和性が改善された。
参考スコア（独自算出の注目度）: 4.8722087770556906
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The rise of cost involved with drug discovery and current speed of which they are discover, underscore the need for more efficient structure-based drug design (SBDD) methods. We employ Generative Flow Networks (GFlowNets), to effectively explore the vast combinatorial space of drug-like molecules, which traditional virtual screening methods fail to cover. We introduce a novel modification to the GFlowNet framework by incorporating trigonometrically consistent embeddings, previously utilized in tasks involving protein conformation and protein-ligand interactions, to enhance the model's ability to generate molecules tailored to specific protein pockets. We have modified the existing protein conditioning used by GFlowNets, blending geometric information from both protein and ligand embeddings to achieve more geometrically consistent embeddings. Experiments conducted using CrossDocked2020 demonstrated an improvement in the binding affinity between generated molecules and protein pockets for both single and multi-objective tasks, compared to previous work. Additionally, we propose future work aimed at further increasing the geometric information captured in protein-ligand interactions.
Abstract（参考訳）: 医薬品発見に伴うコストの上昇と、発見される現在の速度は、より効率的な構造に基づく医薬品設計(SBDD)手法の必要性を浮き彫りにしている。我々は生成フローネットワーク(GFlowNets)を用いて、従来の仮想スクリーニング手法ではカバーできない薬物のような分子の膨大な組み合わせ空間を効果的に探索する。タンパク質のコンフォメーションやタンパク質-リガンド相互作用に関わるタスクで以前利用されていた三角的に一貫した埋め込みを組み込むことにより、GFlowNetフレームワークに新たな改良を加え、特定のタンパク質ポケットに適合した分子を生成する能力を高める。我々は,GFlowNetsで使用されている既存のタンパク質条件を変更し,タンパク質とリガンドの埋め込みから得られる幾何情報をブレンドして,より幾何学的に一貫した埋め込みを実現した。 CrossDocked2020を用いて行った実験では、生成分子とタンパク質ポケットの結合親和性は、以前の研究と比較して、単目的と多目的の両方で改善された。さらに,タンパク質-リガンド相互作用において得られる幾何学的情報をさらに高めることを目的とした今後の研究を提案する。

関連論文リスト

Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
論文参考訳（メタデータ） (2024-05-30T17:53:50Z)
UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。提案手法は,全タスクにおける最先端手法を超越した手法である。
論文参考訳（メタデータ） (2024-05-29T10:26:16Z)
PPFlow: Target-aware Peptide Design with Torsional Flow Matching [52.567714059931646]
ペプチド構造設計のためのねじれ角の内部構造をモデル化するために,textscPPFlowと呼ばれるターゲット認識型ペプチド設計手法を提案する。さらに, PPBench2024というタンパク質-ペプチド結合データセットを構築した。
論文参考訳（メタデータ） (2024-03-05T13:26:42Z)
ProFSA: Self-supervised Pocket Pretraining via Protein Fragment-Surroundings Alignment [20.012210194899605]
本稿では,高分解能原子タンパク質構造からの知識を活用したポケット事前学習手法を提案する。 ProFSAと命名された本手法は,ポケットの薬剤性予測など,様々なタスクにおける最先端性能を実現する。我々の研究は、高品質で多様なタンパク質構造データベースを活用することにより、タンパク質-リガンド複合体データの不足を軽減するための新たな道を開く。
論文参考訳（メタデータ） (2023-10-11T06:36:23Z)
TacoGFN: Target-conditioned GFlowNet for Structure-based Drug Design [3.45184803671951]
分子の深層生成モデルは、徹底的な仮想スクリーニングよりも効率的であることを約束する。本稿では,タンパク質ポケット構造を前提とした生成フローネットワークであるTacoGFNを提案する。
論文参考訳（メタデータ） (2023-10-05T00:45:04Z)
SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
論文参考訳（メタデータ） (2023-10-03T19:24:24Z)
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)
Neural Embeddings for Protein Graphs [0.8258451067861933]
幾何学ベクトル空間にタンパク質グラフを埋め込む新しい枠組みを提案する。タンパク質グラフ間の構造的距離を保存するエンコーダ関数を学習する。本フレームワークは,タンパク質構造分類の課題において,顕著な結果をもたらす。
論文参考訳（メタデータ） (2023-06-07T14:50:34Z)
State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文参考訳（メタデータ） (2022-09-30T01:46:38Z)
Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文参考訳（メタデータ） (2022-05-20T19:38:00Z)

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。