論文の概要: RapidDock: Unlocking Proteome-scale Molecular Docking

• arxiv url: http://arxiv.org/abs/2411.00004v1
• Date: Wed, 16 Oct 2024 09:28:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:03:22.683026
• Title: RapidDock: Unlocking Proteome-scale Molecular Docking
• Title（参考訳）: RapidDock:プロテオームスケールの分子ドッキングをアンロック
• Authors: Rafał Powalski, Bazyli Klockiewicz, Maciej Jaśkowski, Bartosz Topolski, Paweł Dąbrowski-Tumański, Maciej Wiśniewski, Łukasz Kuciński, Piotr Miłoś, Dariusz Plewczynski,
• Abstract要約: 現在の分子ドッキングツールは、関連するすべてのタンパク質に対して潜在的な薬物をスクリーニングするには遅すぎる。 我々は、ブラインド分子ドッキングのための効率的なトランスフォーマーベースモデルであるRapidDockを紹介する。 RapidDockは、精度を損なうことなく、既存のメソッドに対して少なくとも100倍の速度で優位に立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accelerating molecular docking -- the process of predicting how molecules bind to protein targets -- could boost small-molecule drug discovery and revolutionize medicine. Unfortunately, current molecular docking tools are too slow to screen potential drugs against all relevant proteins, which often results in missed drug candidates or unexpected side effects occurring in clinical trials. To address this gap, we introduce RapidDock, an efficient transformer-based model for blind molecular docking. RapidDock achieves at least a $100 \times$ speed advantage over existing methods without compromising accuracy. On the Posebusters and DockGen benchmarks, our method achieves $52.1\%$ and $44.0\%$ success rates ($\text{RMSD}<2$\r{A}), respectively. The average inference time is $0.04$ seconds on a single GPU, highlighting RapidDock's potential for large-scale docking studies. We examine the key features of RapidDock that enable leveraging the transformer architecture for molecular docking, including the use of relative distance embeddings of $3$D structures in attention matrices, pre-training on protein folding, and a custom loss function invariant to molecular symmetries.
• Abstract（参考訳）: 分子ドッキング(分子ドッキング)の加速は、分子がタンパク質標的にどのように結合するかを予測するプロセスだ。 残念なことに、現在の分子ドッキングツールは、すべての関連タンパク質に対して潜在的な薬物をスクリーニングするには遅すぎるため、しばしば薬物候補の欠落や臨床試験で予期せぬ副作用が発生する。 このギャップに対処するため、我々はブラインド分子ドッキングのための効率的なトランスフォーマーベースモデルであるRapidDockを導入する。 RapidDockは、精度を損なうことなく、既存のメソッドに対して少なくとも100 \times$の速度上の優位性を達成する。 Posebusters と DockGen のベンチマークでは,それぞれ 52.1 %$ と 44.0 %$ の成功率 (\text{RMSD}<2$\r{A}) を達成している。 平均推論時間は1つのGPUで0.04ドル秒であり、大規模ドッキング研究におけるRapidDockの可能性を強調している。 分子ドッキングにトランスフォーマーアーキテクチャを活用できるRapidDockの重要な特徴について検討し、注意行列に3ドルD構造体を相対的に埋め込む方法、タンパク質の折り畳みを事前学習する方法、分子対称性に不変なカスタム損失関数について検討した。

関連論文リスト

• Smiles2Dock: an open large-scale multi-task dataset for ML-based molecular docking [0.0]
  分子ドッキングのための大規模マルチタスクデータセットであるSmiles2Dockを紹介する。 我々は、ChEMBLデータベースから15のAlphaFoldタンパク質に170万をドッキングし、2500万以上のタンパク質-リガンド結合スコアを与えました。 我々のデータセットとコードは、分子ドッキングのための新しいMLベースの手法の開発を支援するために公開されています。
  論文  参考訳（メタデータ） (2024-06-09T11:13:03Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• Rigid Protein-Protein Docking via Equivariant Elliptic-Paraboloid Interface Prediction [19.73508673791042]
  硬質タンパク質ドッキングの研究は、薬物設計やタンパク質工学といった様々なタスクにおいて重要な役割を担っている。 本稿では,タンパク質-タンパク質ドッキングインタフェースを表現するために,楕円型パラボロイドを予測するElliDockという新しい学習手法を提案する。 その設計上、エリドックはタンパク質の任意の回転/翻訳に関して独立に同型である。
  論文  参考訳（メタデータ） (2024-01-17T05:39:03Z)
• 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)
• DockGame: Cooperative Games for Multimeric Rigid Protein Docking [45.970633276976045]
  ドッキングのための新しいゲーム理論フレームワークであるDockGameを紹介した。 タンパク質ドッキングはタンパク質間の協調ゲームであり、最終組み立て構造が安定な平衡を構成する。 Docking Benchmark 5.5データセットでは、DockGameは従来のドッキングメソッドよりもはるかに高速なランタイムを持つ。
  論文  参考訳（メタデータ） (2023-10-09T22:02:05Z)
• DiffDock-PP: Rigid Protein-Protein Docking with Diffusion Models [47.73386438748902]
  DiffDock-PPは拡散生成モデルであり、非有界タンパク質構造をそれらの有界配座に翻訳し回転させる。 中央値C-RMSDが4.85でDIPSの最先端性能を達成し,すべてのベースラインを上回りました。
  論文  参考訳（メタデータ） (2023-04-08T02:10:44Z)
• Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
  分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。 我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。 DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T09:13:37Z)
• DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking [28.225704750892795]
  タンパク質への小さな分子リガンドの結合構造を予測することは、薬物設計にとって重要である。 近年, ドッキングを回帰問題として扱う深層学習法は, 従来の検索手法に比べて実行時間が少なくなっている。 我々は、分子ドッキングを生成的モデリング問題とし、非ユークリッド多様体上のリガンドポーズの拡散生成モデルであるDiffDockを開発した。
  論文  参考訳（メタデータ） (2022-10-04T17:38:14Z)
• Protein-Ligand Docking Surrogate Models: A SARS-CoV-2 Benchmark for Deep Learning Accelerated Virtual Screening [0.2561613071031438]
  代理ドッキングモデルが標準ドッキングプロトコルよりも6桁のスループットを持つことを示す。 本研究では,1日で10億個の分子に対して各ターゲットを動作させることにより,高速サロゲートモデルのパワーを実証する。 我々の解析では、ドッキングパラダイムの下でより多くの分子をスクリーニングするには、計算速度よりもモデル精度から別の桁のスピードアップを導き出さなければならないと説明しています。
  論文  参考訳（メタデータ） (2021-06-13T16:27:38Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。