論文の概要: QuantumBind-RBFE: Accurate Relative Binding Free Energy Calculations Using Neural Network Potentials

• arxiv url: http://arxiv.org/abs/2501.01811v1
• Date: Fri, 03 Jan 2025 13:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:10:37.889092
• Title: QuantumBind-RBFE: Accurate Relative Binding Free Energy Calculations Using Neural Network Potentials
• Title（参考訳）: QuantumBind-RBFE:ニューラルネットワークポテンシャルを用いた正確な相対結合自由エネルギー計算
• Authors: Francesc Sabanés Zariquiey, Stephen E. Farr, Stefan Doerr, Gianni De Fabritiis,
• Abstract要約: タンパク質-リガンド結合親和性の正確な予測は、薬物発見に不可欠である。 ニューラルネットワーク電位を用いた相対自由エネルギー精度の検証を行った。 結合親和性予測における精度の向上と相関性を示す。
• 参考スコア（独自算出の注目度）: 2.874893537471256
• License:
• Abstract: Accurate prediction of protein-ligand binding affinities is crucial in drug discovery, particularly during hit-to-lead and lead optimization phases, however, limitations in ligand force fields continue to impact prediction accuracy. In this work, we validate relative binding free energy (RBFE) accuracy using neural network potentials (NNPs) for the ligands. We utilize a novel NNP model, AceForce 1.0, based on the TensorNet architecture for small molecules that broadens the applicability to diverse drug-like compounds, including all important chemical elements and supporting charged molecules. Using established benchmarks, we show overall improved accuracy and correlation in binding affinity predictions compared with GAFF2 for molecular mechanics and ANI2-x for NNPs. Slightly less accuracy but comparable correlations with OPLS4. We also show that we can run the NNP simulations at 2 fs timestep, at least two times larger than previous NNP models, providing significant speed gains. The results show promise for further evolutions of free energy calculations using NNPs while demonstrating its practical use already with the current generation. The code and NNP model are publicly available for research use.
• Abstract（参考訳）: タンパク質-リガンド結合親和性の正確な予測は、特にヒット・ツー・リード最適化フェーズにおいて、薬物発見において重要であるが、リガンド力場の制限は予測精度に影響を与え続けている。 本研究では,リガンドに対するニューラルネットワーク電位(NNP)を用いた相対結合自由エネルギー(RBFE)の精度を検証する。 我々は、TensorNetアーキテクチャに基づく新しいNNPモデルであるAceForce 1.0を使用し、すべての重要な化学元素や荷電分子を含む様々な薬物様化合物の適用範囲を広げる。 確立されたベンチマークを用いて,分子力学のGAFF2とNNPのANI2-xと比較して,結合親和性予測の精度と相関性を総合的に改善した。 わずかに精度は低いが、OPLS4と同等の相関がある。 また、NNPシミュレーションを従来のNNPモデルより少なくとも2倍大きい2 fsの時間ステップで実行でき、大幅な速度向上が期待できることを示す。 この結果から,NNPを用いた自由エネルギー計算のさらなる発展が期待できるとともに,その実用性を現世代で実証した。 コードとNPモデルは研究用に公開されている。

関連論文リスト

• The Bigger the Better? Accurate Molecular Potential Energy Surfaces from Minimalist Neural Networks [0.0]
  KerNNは、分子PSSを表現するためのカーネル/神経ネットワークベースのアプローチである。 最先端のニューラルネットワークPSSと比較して、KerNNの学習可能なパラメータの数は大幅に減少する。 KerNNは、古典的および量子シミュレーションから計算された振動帯を含む、テストセット統計と観測可能な領域で優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-27T08:01:21Z)
• $\nabla^2$DFT: A Universal Quantum Chemistry Dataset of Drug-Like Molecules and a Benchmark for Neural Network Potentials [35.949502493236146]
  この研究は、nablaDFTをベースにした$nabla2$DFTと呼ばれる新しいデータセットとベンチマークを提示している。 分子構造の2倍、コンフォーメーションの3倍、新しいデータタイプとタスク、最先端のモデルを含んでいる。 $nabla2$DFTは、大量の薬物様分子の緩和軌道を含む最初のデータセットである。
  論文  参考訳（メタデータ） (2024-06-20T14:14:59Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Sample-Then-Optimize Batch Neural Thompson Sampling [50.800944138278474]
  我々はトンプソンサンプリング(TS)ポリシーに基づくブラックボックス最適化のための2つのアルゴリズムを提案する。 入力クエリを選択するには、NNをトレーニングし、トレーニングされたNNを最大化してクエリを選択するだけです。 我々のアルゴリズムは、大きなパラメータ行列を逆転する必要性を助長するが、TSポリシーの妥当性は保たれている。
  論文  参考訳（メタデータ） (2022-10-13T09:01:58Z)
• Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
  NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。 本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。 我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
  論文  参考訳（メタデータ） (2022-09-16T06:36:06Z)
• NP-Match: When Neural Processes meet Semi-Supervised Learning [133.009621275051]
  半教師付き学習(SSL)は近年広く研究されており、ラベル付きデータへの依存を減らすためにラベル付きデータを活用する効果的な方法である。 本研究では,ニューラルネットワーク(NP)を半教師付き画像分類タスクに調整し,NP-Matchと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-07-03T15:24:31Z)
• Physical Activation Functions (PAFs): An Approach for More Efficient Induction of Physics into Physics-Informed Neural Networks (PINNs) [0.0]
  物理アクティベーション関数(PAF)は、より複雑さが小さく、より長い範囲の予測に対してより妥当性の高い物理インフォームドニューラルネットワーク(PINN)を生成するのに役立つ。 PAFは、PDEシステムの初期条件や境界条件のような調査現象に関連する数学的公式にインスピレーションを与えることができる。 PAFの使用は、より複雑なPINNを生成するのに役立ち、より長い範囲の予測に対してより有効である、と結論付けている。
  論文  参考訳（メタデータ） (2022-05-29T11:26:46Z)
• Decoding the Protein-ligand Interactions Using Parallel Graph Neural Networks [6.460973806588082]
  PLI予測のための知識表現と推論を統合するための新しい並列グラフニューラルネットワーク(GNN)を提案する。 本手法は, 先行候補の行動, 有効性, 生物物理特性を予測するための, 解釈可能な, 説明可能な人工知能(AI)ツールとして機能する。
  論文  参考訳（メタデータ） (2021-11-30T06:02:04Z)
• A Systematic Comparison Study on Hyperparameter Optimisation of Graph Neural Networks for Molecular Property Prediction [8.02401104726362]
  グラフニューラルネットワーク(GNN)は、幅広いグラフ関連学習タスクに対して提案されている。 近年,分子特性の予測に応用されたGNNシステムが増えてきている。
  論文  参考訳（メタデータ） (2021-02-08T15:40:50Z)
• Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
  本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。 アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
  論文  参考訳（メタデータ） (2020-05-08T16:15:47Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。