論文の概要: Deep-Learning Based Docking Methods: Fair Comparisons to Conventional Docking Workflows

• arxiv url: http://arxiv.org/abs/2412.02889v2
• Date: Mon, 09 Dec 2024 18:37:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:53:41.976765
• Title: Deep-Learning Based Docking Methods: Fair Comparisons to Conventional Docking Workflows
• Title（参考訳）: ディープラーニングに基づくドッキング手法:従来のドッキングワークフローとの比較
• Authors: Ajay N. Jain, Ann E. Cleves, W. Patrick Walters,
• Abstract要約: 従来のドッキング手法に対して,Surflex-Dock法を用いた完全自動ワークフローを用いて公正なベースラインを生成する。 Angstroms RMSDのSurflex-Dock成功率はDiffDockよりもはるかに高かった。 DiffDockは、近隣の訓練を受けていない患者と比較して、近隣の患者に対して40パーセントの差を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The diffusion learning method, DiffDock, for docking small-molecule ligands into protein binding sites was recently introduced. Results included comparisons to more conventional docking approaches, with DiffDock showing superior performance. Here, we employ a fully automatic workflow using the Surflex-Dock methods to generate a fair baseline for conventional docking approaches. Results were generated for the common and expected situation where a binding site location is known and also for the condition of an unknown binding site. For the known binding site condition, Surflex-Dock success rates at 2.0 Angstroms RMSD far exceeded those for DiffDock (Top-1/Top-5 success rates, respectively, were 68/81% compared with 45/51%). Glide performed with similar success rates (67/73%) to Surflex-Dock for the known binding site condition, and results for AutoDock Vina and Gnina followed this pattern. For the unknown binding site condition, using an automated method to identify multiple binding pockets, Surflex-Dock success rates again exceeded those of DiffDock, but by a somewhat lesser margin. DiffDock made use of roughly 17,000 co-crystal structures for learning (98% of PDBBind version 2020, pre-2019 structures) for a training set in order to predict on 363 test cases (2% of PDBBind 2020) from 2019 forward. DiffDock's performance was inextricably linked with the presence of near-neighbor cases of close to identical protein-ligand complexes in the training set for over half of the test set cases. DiffDock exhibited a 40 percentage point difference on near-neighbor cases (two-thirds of all test cases) compared with cases with no near-neighbor training case. DiffDock has apparently encoded a type of table-lookup during its learning process, rendering meaningful applications beyond its reach. Further, it does not perform even close to competitively with a competently run modern docking workflow.
• Abstract（参考訳）: タンパク質結合部位に小分子リガンドをドッキングする拡散学習法DiffDockが最近導入された。 結果として、従来のドッキングアプローチと比較され、DiffDockのパフォーマンスが向上した。 そこで本研究では,Surflex-Dock法による完全自動ワークフローを用いてドッキング手法の公正なベースラインを生成する。 また, 結合部位の特定状況と, 未知の結合部位の条件について, 共通かつ期待された状況に対して, 結果が得られた。 Angstroms RMSDのSurflex-Dock成功率はDiffDockよりも多かった(Top-1/Top-5成功率は45/51%に対して68/81%)。 Glideは既知の結合部位条件でSurflex-Dockと同様の成功率(67/73%)を達成し,AutoDock VinaとGninaもこのパターンに従った。 未知の結合部位条件では、複数の結合ポケットを自動で識別する手法を用いることで、Surflex-Dockの成功率は再びDiffDockのそれを上回ったが、多少のマージンは少なかった。 DiffDockは、2019年の363のテストケース(PDBBind 2020の2%)を予測するために、約17,000のコクリスタル構造(PDBBindバージョン2020の98%、2019年以前の構造)をトレーニングセットに使用した。 DiffDockの成績は、テストセットの半数以上のトレーニングセットにおいて、隣り合うタンパク質-リガンド複合体に近いケースの存在と密接な関係があった。 DiffDockは、近隣の訓練例(全検査症例の3分の2)に対して、近隣の訓練例では40ポイント差を示した。 DiffDockは、学習プロセス中にテーブルのルックアップをエンコードしたらしい。 さらに、近代的なドッキングワークフローを巧みに実行しても、競争力に近づきません。

関連論文リスト

• DeltaDock: A Unified Framework for Accurate, Efficient, and Physically Reliable Molecular Docking [15.205550571902366]
  分子ドッキングはタンパク質-リガンド相互作用を理解するために構造に基づく薬物設計において重要である。 近年のドッキング法の発展により,従来のサンプリング法に比べて効率と精度が著しく向上した。 ポケット予測とサイト固有のドッキングからなる新しい2段階ドッキングフレームワークDeltaDockを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:09:06Z)
• 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)
• 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)
• 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)
• 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)
• DSDP: A Blind Docking Strategy Accelerated by GPUs [6.221048348194304]
  我々は,従来の学習手法と機械学習手法の両方の利点を生かし,ブラインドドッキングの性能を向上させるために,Deep Site and Docking Pose (DSDP) を提案する。 DSDPは、2つのトップ1成功率 (RMSD 2 AA) に達する。 DUD-EデータセットとEquiBind, TankBind, DiffDockで使用される時間分割PDBBindデータセットのパフォーマンスも有効である。
  論文  参考訳（メタデータ） (2023-03-16T07:00:21Z)
• 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)
• G-DetKD: Towards General Distillation Framework for Object Detectors via Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
  そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。 また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。 本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-08-17T07:44:27Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)

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。