論文の概要: QuickBind: A Light-Weight And Interpretable Molecular Docking Model

• arxiv url: http://arxiv.org/abs/2410.16474v1
• Date: Mon, 21 Oct 2024 20:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:27:26.436388
• Title: QuickBind: A Light-Weight And Interpretable Molecular Docking Model
• Title（参考訳）: QuickBind:軽量で解釈可能な分子ドッキングモデル
• Authors: Wojtek Treyde, Seohyun Chris Kim, Nazim Bouatta, Mohammed AlQuraishi,
• Abstract要約: 機械学習手法の最近の進歩は、モデルランタイムのコストでポーズ品質を改善することに焦点が当てられている。 軽量ポーズ予測アルゴリズムQuickBindを開発した。 QuickBindは、そのシンプルさによって、有効な仮想スクリーニングツールと、新しいモデルアーキテクチャやイノベーションを探求するための最小限のテストベッドの両方として機能する。
• 参考スコア（独自算出の注目度）: 0.46873264197900916
• License:
• Abstract: Predicting a ligand's bound pose to a target protein is a key component of early-stage computational drug discovery. Recent developments in machine learning methods have focused on improving pose quality at the cost of model runtime. For high-throughput virtual screening applications, this exposes a capability gap that can be filled by moderately accurate but fast pose prediction. To this end, we developed QuickBind, a light-weight pose prediction algorithm. We assess QuickBind on widely used benchmarks and find that it provides an attractive trade-off between model accuracy and runtime. To facilitate virtual screening applications, we augment QuickBind with a binding affinity module and demonstrate its capabilities for multiple clinically-relevant drug targets. Finally, we investigate the mechanistic basis by which QuickBind makes predictions and find that it has learned key physicochemical properties of molecular docking, providing new insights into how machine learning models generate protein-ligand poses. By virtue of its simplicity, QuickBind can serve as both an effective virtual screening tool and a minimal test bed for exploring new model architectures and innovations. Model code and weights are available at https://github.com/aqlaboratory/QuickBind .
• Abstract（参考訳）: リガンドの標的タンパク質へのバウンドポーズを予測することは、初期の計算薬物発見の鍵となる要素である。 機械学習手法の最近の進歩は、モデルランタイムのコストでポーズ品質を改善することに焦点が当てられている。 高スループットの仮想スクリーニングアプリケーションでは、適度に正確だが高速なポーズ予測によって満たされる能力ギャップが露呈する。 そこで我々は,軽量ポーズ予測アルゴリズムQuickBindを開発した。 QuickBindを広く使われているベンチマークで評価し、モデル精度とランタイムの間に魅力的なトレードオフをもたらすことを発見した。 仮想スクリーニングアプリケーションを容易にするために,QuickBindを結合親和性モジュールで拡張し,複数の臨床関連薬物標的に対する能力を実証した。 最後に、QuickBindが予測を行う力学基盤を調査し、分子ドッキングの重要な物理化学的性質を学習し、機械学習モデルがタンパク質-リガンドの反応を生成する方法についての新しい知見を提供する。 QuickBindは、そのシンプルさによって、有効な仮想スクリーニングツールと、新しいモデルアーキテクチャやイノベーションを探求するための最小限のテストベッドの両方として機能する。 モデルコードとウェイトはhttps://github.com/aqlaboratory/QuickBind.comで入手できる。

関連論文リスト

• Graspness Discovery in Clutters for Fast and Accurate Grasp Detection [57.81325062171676]
  グレープネス(graspness)とは、散らばった場面で把握可能な領域を区別する幾何学的手がかりに基づく品質である。 本研究では,探索過程を近似するカスケード把握モデルを構築した。 大規模なベンチマークであるGraspNet-1Billionの実験では,提案手法が従来の手法よりも大きなマージンで優れていたことが示されている。
  論文  参考訳（メタデータ） (2024-06-17T02:06:47Z)
• FABind+: Enhancing Molecular Docking through Improved Pocket Prediction and Pose Generation [31.93544749547874]
  スピードと精度を重視したモデルであるFABindを改良したモデルを提案する。 本稿では,ポケット予測を大幅に洗練し,ドッキングプロセスの合理化を図る手法を提案する。 従来のサンプリング/生成手法とギャップを埋めるために, 単純で効果的なサンプリング手法を取り入れた。
  論文  参考訳（メタデータ） (2024-03-29T16:10:34Z)
• 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)
• Zero-shot Model Diagnosis [80.36063332820568]
  ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。 本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
  論文  参考訳（メタデータ） (2023-03-27T17:59:33Z)
• Rethinking Voxelization and Classification for 3D Object Detection [68.8204255655161]
  LiDARポイントクラウドからの3Dオブジェクト検出の主な課題は、ネットワークの信頼性に影響を与えることなく、リアルタイムのパフォーマンスを実現することである。 本稿では,高速な動的ボキセラライザを実装することにより,ネットワークの推論速度と精度を同時に向上するソリューションを提案する。 さらに,予測対象を分類し,偽検出対象をフィルタリングする軽量検出サブヘッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-10T16:22:04Z)
• NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
  ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。 我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2022-11-29T15:03:05Z)
• Deep Surrogate Docking: Accelerating Automated Drug Discovery with Graph Neural Networks [0.9785311158871759]
  本稿では,ディープラーニングに基づくサロゲートモデリングを適用し,ドッキングプロセスを大幅に高速化するフレームワークであるDeep Surrogate Docking(DSD)を紹介する。 我々は、DSDワークフローとFiLMv2アーキテクチャを組み合わせることで、分子スクリーニングにおける9.496倍の高速化と3%のリコールエラー率が得られることを示した。
  論文  参考訳（メタデータ） (2022-11-04T19:36:02Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction [31.191844909335963]
  薬物のような分子が特定のタンパク質標的にどのように結合するかを予測することは、薬物発見における中核的な問題である。 非常に高速な計算結合法は、高速な仮想スクリーニングや薬物工学といった重要な応用を可能にする。 本稿では,SE(3)-同変な幾何学的深層学習モデルであるEquiBindを提案する。
  論文  参考訳（メタデータ） (2022-02-07T16:26:05Z)
• Intrusion Detection: Machine Learning Baseline Calculations for Image Classification [0.0]
  サイバーセキュリティは、機械学習の適用によって強化できる。 最も期待できる候補は、ライトマシン、ランダムフォレストブースト、エクストラツリーズである。
  論文  参考訳（メタデータ） (2021-11-03T17:49:38Z)

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。