Fugu-MT 論文翻訳(概要): General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design

論文の概要: General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design

arxiv url: http://arxiv.org/abs/2406.16821v1
Date: Mon, 24 Jun 2024 17:31:41 GMT
ステータス: 処理完了
システム内更新日: 2024-06-25 13:46:06.816340
Title: General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design
Title（参考訳）: 構造に基づく医薬品設計における拡散モデルに対する一般結合親和性誘導
Authors: Yue Jian, Curtis Wu, Danny Reidenbach, Aditi S. Krishnapriyan,
Abstract要約: BadGERは、タンパク質-リガンド結合の改善に向けた拡散サンプリングプロセスの制御方法である。提案手法は,従来の機械学習手法をはるかに上回り,生成した受容体の結合親和性を最大60%向上することを示す。
参考スコア（独自算出の注目度）: 2.2856296446976443
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Structure-Based Drug Design (SBDD) focuses on generating valid ligands that strongly and specifically bind to a designated protein pocket. Several methods use machine learning for SBDD to generate these ligands in 3D space, conditioned on the structure of a desired protein pocket. Recently, diffusion models have shown success here by modeling the underlying distributions of atomic positions and types. While these methods are effective in considering the structural details of the protein pocket, they often fail to explicitly consider the binding affinity. Binding affinity characterizes how tightly the ligand binds to the protein pocket, and is measured by the change in free energy associated with the binding process. It is one of the most crucial metrics for benchmarking the effectiveness of the interaction between a ligand and protein pocket. To address this, we propose BADGER: Binding Affinity Diffusion Guidance with Enhanced Refinement. BADGER is a general guidance method to steer the diffusion sampling process towards improved protein-ligand binding, allowing us to adjust the distribution of the binding affinity between ligands and proteins. Our method is enabled by using a neural network (NN) to model the energy function, which is commonly approximated by AutoDock Vina (ADV). ADV's energy function is non-differentiable, and estimates the affinity based on the interactions between a ligand and target protein receptor. By using a NN as a differentiable energy function proxy, we utilize the gradient of our learned energy function as a guidance method on top of any trained diffusion model. We show that our method improves the binding affinity of generated ligands to their protein receptors by up to 60\%, significantly surpassing previous machine learning methods. We also show that our guidance method is flexible and can be easily applied to other diffusion-based SBDD frameworks.
Abstract（参考訳）: 構造ベースドラッグデザイン(SBDD)は、指定されたタンパク質ポケットに強く、具体的に結合する有効なリガンドを生成することに焦点を当てている。いくつかの方法は、SBDDで機械学習を使用して、所望のタンパク質ポケットの構造に基づいて、3次元空間でこれらのリガンドを生成する。近年、拡散モデルは原子の位置と型の基底分布をモデル化することで成功している。これらの方法は、タンパク質ポケットの構造的詳細を考慮するのに効果的であるが、結合親和性について明確には考慮しないことが多い。結合親和性は、リガンドがタンパク質ポケットにいかに強く結合するかを特徴付け、結合過程に関連する自由エネルギーの変化によって測定される。これはリガンドとタンパク質ポケット間の相互作用の有効性をベンチマークする上で最も重要な指標の1つである。そこで我々は,BADGER: Binding Affinity Diffusion Guidance with Enhanced Refinementを提案する。 BADGERは、タンパク質-リガンド結合の改善に向けて拡散サンプリング過程を制御し、リガンドとタンパク質間の結合親和性の分布を調節する一般的な方法である。ニューラルネットワーク(NN)を用いてエネルギー関数をモデル化し,オートドック・ビナ(ADV)により近似した。 ADVのエネルギー機能は非分化可能であり、リガンドと標的タンパク質受容体の相互作用に基づいて親和性を推定する。 NNを微分可能エネルギー関数のプロキシとして使用することにより、学習エネルギー関数の勾配を訓練された拡散モデル上のガイダンス手法として利用する。提案手法は, 生成リガンドのタンパク質受容体への結合親和性を最大60%向上させ, 従来の機械学習手法をはるかに上回っていることを示す。また,本手法は柔軟であり,他の拡散型SBDDフレームワークにも容易に適用可能であることを示す。

関連論文リスト

Loop-Diffusion: an equivariant diffusion model for designing and scoring protein loops [0.0]
ループ拡散(Loop-Diffusion)は、関数予測タスクに一般化するエネルギー関数を学ぶエネルギーベースの拡散モデルである。我々は,TCR-pMHCインタフェースの評価におけるLoop-Diffusionの性能を評価し,結合強調突然変異の認識における最先端の結果を示す。
論文参考訳（メタデータ） (2024-09-26T18:34:06Z)
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)
Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
論文参考訳（メタデータ） (2024-03-21T02:44:08Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
Binding-Adaptive Diffusion Models for Structure-Based Drug Design [33.9764269117599]
我々はバインディング適応拡散モデル(BindDM)という新しいフレームワークを提案する。 BindDMでは,タンパク質-リガンド相互作用に関与する結合部位の重要な部分であるサブ複合体を適応的に抽出する。 BindDMは、より現実的な3D構造を持ち、タンパク質標的に対する高い結合親和性を持つ分子を生成でき、最大5.92 Avg. Vina Scoreを持つ。
論文参考訳（メタデータ） (2024-01-15T00:34:00Z)
FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
$mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
論文参考訳（メタデータ） (2023-10-10T16:39:47Z)
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)
Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
論文参考訳（メタデータ） (2023-05-30T06:41:20Z)
FlexVDW: A machine learning approach to account for protein flexibility in ligand docking [4.511923587827301]
深層学習モデルは、ファンデルワールスエネルギーを予測する際に、受容体の柔軟性を暗黙的に考慮するよう訓練された。この機械学習エネルギー項を最先端の物理に基づくスコアリング関数に組み込むことで、小さな分子リガンドが予測結果を改善できることが示される。
論文参考訳（メタデータ） (2023-03-20T23:19:05Z)
Unsupervised Protein-Ligand Binding Energy Prediction via Neural Euler's Rotation Equation [18.70508112639968]
タンパク質リガンド結合予測は、AIによる薬物発見の根本的な問題である。本稿では,教師なしアプローチを探求し,生成的モデリングタスクとしての結合エネルギー予測を再構成する。本研究は,SE(3)デノナイズスコアマッチングを用いて,タンパク質-リガンド複合体の集合上でエネルギーベースモデルを訓練し,結合親和性としてログ類似度を解釈する。
論文参考訳（メタデータ） (2023-01-25T20:33:51Z)
EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。