論文の概要: Molecular Diffusion Models with Virtual Receptors

• arxiv url: http://arxiv.org/abs/2406.18330v1
• Date: Wed, 26 Jun 2024 13:18:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-27 13:29:21.663417
• Title: Molecular Diffusion Models with Virtual Receptors
• Title（参考訳）: 仮想受容体を用いた分子拡散モデル
• Authors: Matan Halfon, Eyal Rozenberg, Ehud Rivlin, Daniel Freedman,
• Abstract要約: 本稿では,構造に基づく医薬品設計への拡散に基づくアプローチを拡張する手法を提案する。 まず、薬物分子とターゲット/受容体の間のサイズ格差に対処し、学習をより困難にし、推論を遅くする。 私たちは、この受容体の圧縮版である仮想レセプター(Virtual Receptor)の概念を通して実現しています。 第2に、タンパク質の折り畳みの文脈で使われるタンパク質言語の埋め込みを組み込んだ。
• 参考スコア（独自算出の注目度）: 9.205503259340485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning approaches to Structure-Based Drug Design (SBDD) have proven quite fertile over the last few years. In particular, diffusion-based approaches to SBDD have shown great promise. We present a technique which expands on this diffusion approach in two crucial ways. First, we address the size disparity between the drug molecule and the target/receptor, which makes learning more challenging and inference slower. We do so through the notion of a Virtual Receptor, which is a compressed version of the receptor; it is learned so as to preserve key aspects of the structural information of the original receptor, while respecting the relevant group equivariance. Second, we incorporate a protein language embedding used originally in the context of protein folding. We experimentally demonstrate the contributions of both the virtual receptors and the protein embeddings: in practice, they lead to both better performance, as well as significantly faster computations.
• Abstract（参考訳）: 構造ベースドラッグデザイン(SBDD)に対する機械学習アプローチは、ここ数年でかなり肥大化している。 特に、SBDDへの拡散ベースのアプローチは、非常に有望です。 本稿では,この拡散アプローチを2つの重要な方法で拡張する手法を提案する。 まず、薬物分子とターゲット/受容体の間のサイズ格差に対処し、学習をより困難にし、推論を遅くする。 我々は、この受容体を圧縮したヴァーチャル・レセプター(Virtual Receptor)の概念を通じて実現し、関連する群同値を尊重しながら、元の受容体の構造情報のキーとなる側面を保存するように学習する。 第2に、タンパク質の折り畳みの文脈で使われるタンパク質言語の埋め込みを組み込んだ。 仮想受容体とタンパク質の埋め込みの両方の貢献を実験的に実証し、実際、より優れた性能とより高速な計算をもたらす。

関連論文リスト

• E2CB2former: Effecitve and Explainable Transformer for CB2 Receptor Ligand Activity Prediction [11.078168240910147]
  CB2formerは、Graph Convolutional NetworkとTransformerアーキテクチャを組み合わせてCB2受容体リガンド活性を予測するフレームワークである。 我々はCB2formerを様々なベースラインモデルに対してベンチマークし、その優れた性能をR乗法0.685、RMSE0.675、AUC0.940で示す。 我々の結果は、CB2formerによって実証された高度なAIアプローチの変換可能性を示し、正確な予測と作用可能な分子インサイトを提供する。
  論文  参考訳（メタデータ） (2025-02-15T05:05:49Z)
• Diffusion Model with Representation Alignment for Protein Inverse Folding [53.139837825588614]
  タンパク質逆フォールディングはバイオインフォマティクスの基本的な問題であり、与えられたタンパク質のバックボーン構造からアミノ酸配列を復元することを目的としている。 表現アライメント(DMRA)を用いた拡散モデルを用いた新しい手法を提案する。 実験では,CATH4.2データセットを広範囲に評価し,DMRAが先行手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-12T15:47:59Z)
• General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design [2.2856296446976443]
  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。
  論文  参考訳（メタデータ） (2024-06-24T17:31:41Z)
• Diffusion Boosted Trees [56.46631445688882]
  拡散ブーストツリー(DBT)は、決定木によってパラメータ化される新しい拡散生成モデルであると見なすことができる。 DBT は弱を条件分布の強い勾配に結合し、それらの密度形式について明示的な仮定をしない。
  論文  参考訳（メタデータ） (2024-06-03T22:11:38Z)
• 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)
• DiffAugment: Diffusion based Long-Tailed Visual Relationship Recognition [43.01467525231004]
  DiffAugment は WordNet を利用して言語空間のテールクラスを拡張する手法である。 本研究は, テールクラスに対する視覚的埋め込み生成における硬度認識拡散の有効性を実証する。 また,生成した視覚的埋め込みの識別能力を向上する,拡散サンプリングのための新しい主題とオブジェクトベースのシード戦略を提案する。
  論文  参考訳（メタデータ） (2024-01-01T21:20:43Z)
• Objective-Agnostic Enhancement of Molecule Properties via Multi-Stage VAE [1.3597551064547502]
  変異オートエンコーダ(VAE)は医薬品発見の一般的な方法であり、その性能を改善するために様々なアーキテクチャやパイプラインが提案されている。 VAEアプローチは、データが高次元の周囲空間に埋め込まれた低次元多様体上にあるとき、多様体の回復不良に悩まされることが知られている。 本稿では, 合成データセット上での多様体回復を向上する多段階VAEアプローチを創薬分野に適用することを検討する。
  論文  参考訳（メタデータ） (2023-08-24T20:22:22Z)
• Variance-Preserving-Based Interpolation Diffusion Models for Speech Enhancement [53.2171981279647]
  本稿では,VP-および分散拡散(VE)に基づく拡散法の両方をカプセル化するフレームワークを提案する。 本研究では,拡散モデルで発生する一般的な困難を解析し,性能の向上とモデルトレーニングの容易化を図る。 我々は,提案手法の有効性を示すために,公開ベンチマークを用いたいくつかの手法によるモデルの評価を行った。
  論文  参考訳（メタデータ） (2023-06-14T14:22:22Z)
• Structural Pruning for Diffusion Models [65.02607075556742]
  Diff-Pruningは、既存のものから軽量拡散モデルの学習に適した効率的な圧縮手法である。 複数のデータセットにまたがって実施した経験的評価は,提案手法の2つの利点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-05-18T12:38:21Z)
• Torsional Diffusion for Molecular Conformer Generation [28.225704750892795]
  ねじれ拡散は、ねじれ角の空間で動作する新しい拡散フレームワークである。 薬物様分子の標準ベンチマークでは、ねじり拡散は優れたコンフォメーラーアンサンブルを生成する。 我々のモデルは、最初の一般化可能なボルツマン生成器を構築するために使われる正確な確率を与える。
  論文  参考訳（メタデータ） (2022-06-01T04:30:41Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)

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。