論文の概要: PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking

• arxiv url: http://arxiv.org/abs/2505.01700v1
• Date: Sat, 03 May 2025 05:35:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.235131
• Title: PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking
• Title（参考訳）: PoseX: タンパク質とリガンドのクロスドッキングに関する物理学的アプローチをAIが定義
• Authors: Yize Jiang, Xinze Li, Yuanyuan Zhang, Jin Han, Youjun Xu, Ayush Pandit, Zaixi Zhang, Mengdi Wang, Mengyang Wang, Chong Liu, Guang Yang, Yejin Choi, Wu-Jun Li, Tianfan Fu, Fang Wu, Junhong Liu,
• Abstract要約: 我々は、セルフドッキングとクロスドッキングに焦点を当てたオープンソースのベンチマークであるPoseXを提案する。 自己ドッキング用718項目とクロスドッキング用1,312項目の新たな評価データセットをキュレートする。 従来の物理手法やAIドッキング手法を含む,3つの方法論カテゴリに22のドッキング手法を組み込んだ。
• 参考スコア（独自算出の注目度）: 74.76447568426276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, significant progress has been made in protein-ligand docking, especially in modern deep learning methods, and some benchmarks were proposed, e.g., PoseBench, Plinder. However, these benchmarks suffer from less practical evaluation setups (e.g., blind docking, self docking), or heavy framework that involves training, raising challenges to assess docking methods efficiently. To fill this gap, we proposed PoseX, an open-source benchmark focusing on self-docking and cross-docking, to evaluate the algorithmic advances practically and comprehensively. Specifically, first, we curate a new evaluation dataset with 718 entries for self docking and 1,312 for cross docking; second, we incorporate 22 docking methods across three methodological categories, including (1) traditional physics-based methods (e.g., Schr\"odinger Glide), (2) AI docking methods (e.g., DiffDock), (3) AI co-folding methods (e.g., AlphaFold3); third, we design a relaxation method as post-processing to minimize conformation energy and refine binding pose; fourth, we released a leaderboard to rank submitted models in real time. We draw some key insights via extensive experiments: (1) AI-based approaches have already surpassed traditional physics-based approaches in overall docking accuracy (RMSD). The longstanding generalization issues that have plagued AI molecular docking have been significantly alleviated in the latest models. (2) The stereochemical deficiencies of AI-based approaches can be greatly alleviated with post-processing relaxation. Combining AI docking methods with the enhanced relaxation method achieves the best performance to date. (3) AI co-folding methods commonly face ligand chirality issues, which cannot be resolved by relaxation. The code, curated dataset and leaderboard are released at https://github.com/CataAI/PoseX.
• Abstract（参考訳）: 近年,タンパク質-リガンドドッキング,特に最近のディープラーニング手法において顕著な進歩が見られ,PoseBench,Plinderなどのベンチマークが提案されている。 しかしながら、これらのベンチマークは、実践的でない評価設定(例えば、ブラインドドッキング、セルフドッキング)や、トレーニングを含む重いフレームワークに悩まされており、ドッキング手法を効率的に評価する上での課題が提起されている。 このギャップを埋めるために,我々は,自己ドッキングとクロスドッキングに着目したオープンソースのベンチマークPoseXを提案し,アルゴリズムの進歩を実用的かつ包括的に評価した。 具体的には、まず、自己ドッキングのための718項目とクロスドッキングのための1,312項目の新たな評価データセットをキュレートし、次に、(1)物理に基づく従来の方法(例 , Schr\"odinger Glide)、(2)AIドッキング手法(例 , DiffDock)、(3)AIコフォールディング手法(例 , AlphaFold3)、(3)AIコフォールディング手法(例 , AlphaFold3)を含む3つの方法論カテゴリに22のドッキング手法を組み込んだ。 1)AIベースのアプローチは、全体のドッキング精度(RMSD)において、従来の物理学ベースのアプローチをすでに超越している。 AI分子ドッキングを悩ませてきた長年にわたる一般化問題は、最新のモデルでは大幅に緩和されてきた。 2)AIに基づくアプローチの立体化学的欠陥は,後処理の緩和によって大幅に緩和できる。 AIドッキング法と拡張緩和法を組み合わせることで、これまでで最高のパフォーマンスを実現している。 (3)AIの共同折り畳み手法は, 緩和によって解決できないリガンドキラリティ問題に直面することが多い。 コード、キュレートされたデータセット、およびリーダーボードはhttps://github.com/CataAI/PoseX.comで公開されている。

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)
• Deep Learning for Protein-Ligand Docking: Are We There Yet? [5.721438704473567]
  広範に適用可能なタンパク質リガンドドッキングのための、最初の包括的なベンチマークであるPoseBenchを紹介する。 PoseBenchは、Apo-to-holoタンパク質-リガンドドッキングとタンパク質-リガンド構造予測のためのDLメソッドを厳格かつ体系的に評価することを可能にする。
  論文  参考訳（メタデータ） (2024-05-23T02:27:39Z)
• 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)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification [55.887502438160304]
  ポイントホップ法は、Zhangらによって、教師なし特徴抽出を伴う3Dポイントクラウド分類のために提案された。 1)モデルパラメータ数の観点からモデルの複雑さを減らし,2)クロスエントロピー基準に基づいて自動的に識別特徴を順序付けする。 ModelNet40ベンチマークデータセットで実施した実験により、PointHop++法がディープニューラルネットワーク(DNN)ソリューションと同等に動作し、他の教師なし特徴抽出法を上回る性能を示す。
  論文  参考訳（メタデータ） (2020-02-09T04:49:32Z)

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。