論文の概要: GenShin:geometry-enhanced structural graph embodies binding pose can better predicting compound-protein interaction affinity

• arxiv url: http://arxiv.org/abs/2504.13853v1
• Date: Sun, 16 Mar 2025 09:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.364641
• Title: GenShin:geometry-enhanced structural graph embodies binding pose can better predicting compound-protein interaction affinity
• Title（参考訳）: GenShin:geometry-enhanced structure graph embodies binding poseは化合物とタンパク質の相互作用親和性を予測する
• Authors: Pingfei Zhu, Chenyang Zhao, Haishi Zhao, Bo Yang,
• Abstract要約: 我々は,タンパク質や化合物から付加的な特徴を抽出する構造グラフモジュールを構成するGenShinモデルを紹介する。 合成タンパク質親和性の予測において主流モデルと同等の精度を達成し、入力としての適切な結合ポーズの必要性を排除した。 私たちの研究は、AIモデルと実用的な薬物発見の課題の間のギャップを埋めるために、より多くの努力を喚起するでしょう。
• 参考スコア（独自算出の注目度）: 6.1468096893238915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-powered drug discovery typically relies on the successful prediction of compound-protein interactions, which are pivotal for the evaluation of designed compound molecules in structure-based drug design and represent a core challenge in the field. However, accurately predicting compound-protein affinity via regression models usually requires adequate-binding pose, which are derived from costly and complex experimental methods or time-consuming simulations with docking software. In response, we have introduced the GenShin model, which constructs a geometry-enhanced structural graph module that separately extracts additional features from proteins and compounds. Consequently, it attains an accuracy on par with mainstream models in predicting compound-protein affinities, while eliminating the need for adequate-binding pose as input. Our experimental findings demonstrate that the GenShin model vastly outperforms other models that rely on non-input docking conformations, achieving, or in some cases even exceeding, the performance of those requiring adequate-binding pose. Further experiments indicate that our GenShin model is more robust to inadequate-binding pose, affirming its higher suitability for real-world drug discovery scenarios. We hope our work will inspire more endeavors to bridge the gap between AI models and practical drug discovery challenges.
• Abstract（参考訳）: AIによる薬物発見は、典型的には複合タンパク質相互作用の予測の成功に依存しており、これは構造に基づく薬物設計における設計された化合物分子の評価において重要なものであり、この分野における中核的な課題である。 しかしながら、回帰モデルによる複合体タンパク質親和性を正確に予測するには、コストが高く複雑な実験手法やドッキングソフトウェアによる時間的シミュレーションから導かれる適切な結合ポーズが必要である。 そこで我々は,タンパク質や化合物から付加的な特徴を別々に抽出する構造グラフモジュールを構築するGenShinモデルを導入した。 これにより、入力として適切な結合ポーズを必要とせず、複合タンパク質親和性の予測において、主流モデルと同等の精度が得られる。 実験の結果,GenShinモデルはドッキングコンフォーメーションに依存している他のモデルよりも優れており,十分なバインドポーズを必要とするモデルよりも優れていることがわかった。 さらなる実験により、我々のGenShinモデルは、現実の薬物発見シナリオに適合する可能性が高く、結合の不十分なポーズに対してより堅牢であることが示された。 私たちは、AIモデルと実用的な薬物発見の課題の間のギャップを埋めるために、より多くの努力を刺激することを期待しています。

関連論文リスト

• UniGenX: Unified Generation of Sequence and Structure with Autoregressive Diffusion [61.690978792873196]
  既存のアプローチは自己回帰シーケンスモデルか拡散モデルのいずれかに依存している。 自己回帰的次トーケン予測と条件拡散モデルを組み合わせた統合フレームワークUniGenXを提案する。 材料および小分子生成タスクにおけるUniGenXの有効性を検証する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
  タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。 伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。 この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
  論文  参考訳（メタデータ） (2024-07-10T08:40:07Z)
• ContactNet: Geometric-Based Deep Learning Model for Predicting Protein-Protein Interactions [2.874893537471256]
  我々は,PPIモデルを正確かつ誤ったものに分類するための新しい注目型グラフニューラルネットワーク(GNN)であるContactNetを開発した。 ドッキング抗原やモデル抗体構造を訓練すると、ContactNetは現在の最先端のスコアリング機能の精度を2倍にする。
  論文  参考訳（メタデータ） (2024-06-26T12:54:41Z)
• 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)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
  Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。 熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。