論文の概要: Strain Problems got you in a Twist? Try StrainRelief: A Quantum-Accurate Tool for Ligand Strain Calculations

• arxiv url: http://arxiv.org/abs/2503.13352v1
• Date: Mon, 17 Mar 2025 16:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:27:54.050724
• Title: Strain Problems got you in a Twist? Try StrainRelief: A Quantum-Accurate Tool for Ligand Strain Calculations
• Title（参考訳）: ストレインの問題はツイストに? Try StrainRelief: リガンドひずみ計算のための正確な量子ツール
• Authors: Ewan R. S. Wallace, Nathan C. Frey, Joshua A. Rackers,
• Abstract要約: リガンドひずみエネルギーは構造に基づく小分子ドラッグデザインの重要な構成要素である。 ひずみエネルギーを高精度に計算するツールを提案する。 本研究では, DFT に対するひずみエネルギー差を 1.4 kcal/mol 以内と推定し, 代替NP よりも精度が高いことを示した。
• 参考スコア（独自算出の注目度）: 1.119697400073873
• License:
• Abstract: Ligand strain energy, the energy difference between the bound and unbound conformations of a ligand, is an important component of structure-based small molecule drug design. A large majority of observed ligands in protein-small molecule co-crystal structures bind in low-strain conformations, making strain energy a useful filter for structure-based drug design. In this work we present a tool for calculating ligand strain with a high accuracy. StrainRelief uses a MACE Neural Network Potential (NNP), trained on a large database of Density Functional Theory (DFT) calculations to estimate ligand strain of neutral molecules with quantum accuracy. We show that this tool estimates strain energy differences relative to DFT to within 1.4 kcal/mol, more accurately than alternative NNPs. These results highlight the utility of NNPs in drug discovery, and provide a useful tool for drug discovery teams.
• Abstract（参考訳）: リガンドひずみエネルギー(英: Ligand strain energy)とは、リガンドの結合構造と非結合構造の間のエネルギー差であり、構造に基づく小さな分子ドラッグの設計において重要な要素である。 タンパク質-小分子共結晶構造のリガンドの大部分は低ひずみ配座に結合し、ひずみエネルギーは構造に基づく薬物設計に有用なフィルターとなる。 本研究では,リガンドひずみを高精度に計算するためのツールを提案する。 StrainRelief は MACE Neural Network Potential (NNP) を用いて、量子精度で中性分子のリガンドひずみを推定するために密度汎関数理論 (DFT) 計算の大規模なデータベースに基づいて訓練されている。 本研究では, DFT に対するひずみエネルギー差を 1.4 kcal/mol 以内と推定し, 代替NP よりも精度が高いことを示した。 これらの結果は、薬物発見におけるNNPの有用性を強調し、薬物発見チームにとって有用なツールを提供する。

関連論文リスト

• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  DiffMSは式制限エンコーダ-デコーダ生成ネットワークである。 我々は、潜伏埋め込みと分子構造を橋渡しする頑健なデコーダを開発する。 実験の結果、DiffMS は $textitde novo$ 分子生成で既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• QuantumBind-RBFE: Accurate Relative Binding Free Energy Calculations Using Neural Network Potentials [2.874893537471256]
  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。
  論文  参考訳（メタデータ） (2025-01-03T13:51:02Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design [2.2856296446976443]
  BadGERは、タンパク質-リガンド結合の改善に向けた拡散サンプリングプロセスの制御方法である。 提案手法は,従来の機械学習手法をはるかに上回り,生成した受容体の結合親和性を最大60%向上することを示す。
  論文  参考訳（メタデータ） (2024-06-24T17:31:41Z)
• $\nabla^2$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)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Overcoming the Barrier of Orbital-Free Density Functional Theory for Molecular Systems Using Deep Learning [46.08497356503155]
  軌道自由密度汎関数理論(英: Orbital-free density functional theory、OFDFT)は、Kohn-Sham DFTよりも低コストでスケールできる量子化学の定式化である。 本稿では、深層学習関数モデルを用いて分子システムを解くことができるOFFTアプローチであるM-OFDFTを提案する。
  論文  参考訳（メタデータ） (2023-09-28T16:33:36Z)
• Guaranteed efficient energy estimation of quantum many-body Hamiltonians using ShadowGrouping [49.36226952764697]
  量子多体系のエネルギーの推定は、様々な研究分野におけるパラダイム的な課題である。 本研究の目的は,全測定予算から最も高い証明可能な精度が得られる単一キュービット計測による最適戦略を見出すことである。 私たちはShadowGroupingと呼ばれる実用的で効率的な見積もり戦略を開発します。
  論文  参考訳（メタデータ） (2023-01-09T14:41:07Z)
• Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel [0.0]
  材料発見においては、望まれる性質を持つ材料を見つけるために、大規模で高次元の化学空間をスクリーニングする必要があることが多い。 本稿では,ベイズ最適化(BO)とニューラルネットワークカーネルを併用して,スマート検索を実現する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-16T09:02:16Z)
• 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。