論文の概要: Dockformer: A transformer-based molecular docking paradigm for large-scale virtual screening

• arxiv url: http://arxiv.org/abs/2411.06740v3
• Date: Thu, 28 Nov 2024 06:46:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:17:22.375063
• Title: Dockformer: A transformer-based molecular docking paradigm for large-scale virtual screening
• Title（参考訳）: Dockformer: 大規模仮想スクリーニングのためのトランスフォーマーに基づく分子ドッキングパラダイム
• Authors: Zhangfan Yang, Junkai Ji, Shan He, Jianqiang Li, Tiantian He, Ruibin Bai, Zexuan Zhu, Yew Soon Ong,
• Abstract要約: ディープラーニングアルゴリズムは、ドッキングプロセスのスピードを高めるために、データ駆動リサーチと開発モデルを提供することができる。 本研究では,Dockformerという,ディープラーニングに基づくドッキング手法を紹介する。 実験の結果、DockformerはPDBbindコアセットとPoseBustersベンチマークで90.53%と82.71%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 29.947687129449278
• License:
• Abstract: Molecular docking is a crucial a crucial step in drug development, which enables the virtual screening of compound libraries to identify potential ligands that target proteins of interest. However, the computational complexity of traditional docking models increases as the size of the compound library increases. Recently, deep learning algorithms can provide data-driven research and development models to increase the speed of the docking process. Unfortunately, few models can achieve superior screening performance compared to that of traditional models. Therefore, a novel deep learning-based docking approach named Dockformer is introduced in this study. Dockformer leverages multimodal information to capture the geometric topology and structural knowledge of molecules and can directly generate binding conformations with the corresponding confidence measures in an end-to-end manner. The experimental results show that Dockformer achieves success rates of 90.53% and 82.71% on the PDBbind core set and PoseBusters benchmarks, respectively, and more than a 100-fold increase in the inference process speed, outperforming almost all state-of-the-art docking methods. In addition, the ability of Dockformer to identify the main protease inhibitors of coronaviruses is demonstrated in a real-world virtual screening scenario. Considering its high docking accuracy and screening efficiency, Dockformer can be regarded as a powerful and robust tool in the field of drug design.
• Abstract（参考訳）: 分子ドッキングは医薬品開発における重要なステップであり、複合ライブラリーの仮想スクリーニングにより、興味のあるタンパク質を標的とする潜在的なリガンドを特定できる。 しかし、従来のドッキングモデルの計算複雑性は、複合ライブラリのサイズが大きくなるにつれて増大する。 近年、ディープラーニングアルゴリズムはドッキングプロセスの高速化を目的として、データ駆動型研究開発モデルを提供することができる。 残念ながら、従来のモデルに比べて優れたスクリーニング性能が得られるモデルはほとんどない。 そこで本研究では,Dockformerという,ディープラーニングに基づくドッキング手法を導入する。 ドックフォーマーはマルチモーダル情報を利用して分子の幾何学的トポロジーと構造的知識を捉え、エンドツーエンドの方法で対応する信頼度尺度と結合整合を直接生成することができる。 実験の結果、DockformerはPDBbindコアセットとPoseBustersベンチマークでそれぞれ90.53%と82.71%の成功率を達成し、推論プロセスの速度は100倍以上に向上し、最先端ドッキング手法のほとんどを上回った。 また、現実の仮想スクリーニングシナリオでは、Dockformerがウイルスの主要プロテアーゼ阻害剤を同定する能力を示す。 ドッキング精度とスクリーニング効率が高いことから、Dockformerはドラッグデザインの分野で強力で堅牢なツールと見なすことができる。

関連論文リスト

• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Scoreformer: A Surrogate Model For Large-Scale Prediction of Docking Scores [0.0]
  分子ドッキングスコアを正確に予測するために設計された新しいグラフトランスフォーマモデルであるScoreFormerを提案する。 ScoreFormerはドッキングスコア予測の競争性能を達成し、既存のモデルに比べて1.65倍の推論時間削減を実現している。
  論文  参考訳（メタデータ） (2024-06-13T17:31:02Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• 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)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• Multi-scale Iterative Refinement towards Robust and Versatile Molecular Docking [17.28573902701018]
  分子ドッキング(英: molecular docking)は、小分子のタンパク質標的への結合コンホメーションを予測するために使われる重要な計算ツールである。 我々は、効率的な分子ドッキング用に設計された堅牢で汎用的なフレームワークであるDeltaDockを紹介する。
  論文  参考訳（メタデータ） (2023-11-30T14:09:20Z)
• Pre-Training on Large-Scale Generated Docking Conformations with HelixDock to Unlock the Potential of Protein-ligand Structure Prediction Models [42.16524616409125]
  本研究では,大規模ドッキングコンフォーメーションの事前学習により,優れた性能を有するタンパク質リガンド構造予測モデルが得られることを示す。 提案モデルであるHelixDockは,物理ベースのドッキングツールによってカプセル化された物理知識を,事前学習期間中に取得することを目的としている。
  論文  参考訳（メタデータ） (2023-10-21T05:54:26Z)
• 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)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• DepthFormer: Exploiting Long-Range Correlation and Local Information for Accurate Monocular Depth Estimation [50.08080424613603]
  高精度な単分子深度推定には長距離相関が不可欠である。 我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。 提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
  論文  参考訳（メタデータ） (2022-03-27T05:03:56Z)

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。