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

• arxiv url: http://arxiv.org/abs/2505.01700v2
• Date: Wed, 21 May 2025 06:15:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 18:05:36.074204
• 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: PoseXは、セルフドッキングとクロスドッキングの両方を評価するためのオープンソースのベンチマークである。 23のドッキング法を3つの方法論カテゴリに組み込んだ。 我々は,コンフォメーションエネルギーを最小化し,結合ポーズを洗練するために,後処理の緩和法を開発した。
• 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: Existing protein-ligand docking studies typically focus on the self-docking scenario, which is less practical in real applications. Moreover, some studies involve heavy frameworks requiring extensive training, posing challenges for convenient and efficient assessment of docking methods. To fill these gaps, we design PoseX, an open-source benchmark to evaluate both self-docking and cross-docking, enabling a practical and comprehensive assessment of algorithmic advances. Specifically, we curated a novel dataset comprising 718 entries for self-docking and 1,312 entries for cross-docking; second, we incorporated 23 docking methods in three methodological categories, including physics-based methods (e.g., Schr\"odinger Glide), AI docking methods (e.g., DiffDock) and AI co-folding methods (e.g., AlphaFold3); third, we developed a relaxation method for post-processing to minimize conformational energy and refine binding poses; fourth, we built a leaderboard to rank submitted models in real-time. We derived some key insights and conclusions from extensive experiments: (1) AI approaches have consistently outperformed physics-based methods in overall docking success rate. (2) Most intra- and intermolecular clashes of AI approaches can be greatly alleviated with relaxation, which means combining AI modeling with physics-based post-processing could achieve excellent performance. (3) AI co-folding methods exhibit ligand chirality issues, except for Boltz-1x, which introduced physics-inspired potentials to fix hallucinations, suggesting modeling on stereochemistry improves the structural plausibility markedly. (4) Specifying binding pockets significantly promotes docking performance, indicating that pocket information can be leveraged adequately, particularly for AI co-folding methods, in future modeling efforts. The code, dataset, and leaderboard are released at https://github.com/CataAI/PoseX.
• Abstract（参考訳）: 既存のタンパク質-リガンドドッキングの研究は通常、実際の応用では実用的でないセルフドッキングのシナリオに焦点を当てている。 さらに, ドッキング法を簡便かつ効率的に評価するための課題を提起する, 広範囲な訓練を必要とする重いフレームワークも研究されている。 これら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の両方を評価するためのオープンソースのベンチマークであるPoseXを設計し、アルゴリズムの進歩を実用的で包括的な評価を可能にした。 具体的には、718個の自己ドッキング用エントリと1,312個のクロスドッキング用エントリからなる新しいデータセットをキュレートし、第2に、物理ベースの方法(例 , Schr\"odinger Glide)、AIドッキング方法(例 , DiffDock)、AIコフォールディング手法(例 , AlphaFold3)、第3に、コンフォメーションエネルギーの最小化と結合ポーズの強化を目的とした緩和手法を開発した。 1)AIアプローチは、ドッキングの成功率全体において、物理学に基づく手法を一貫して上回っている。 2) 多くのAIアプローチの分子内および分子内衝突は緩和によって大幅に緩和され,これは,AIモデリングと物理ベースのポストプロセッシングを組み合わせることで,優れた性能が得られることを意味している。 (3) 立体化学のモデリングにより構造的妥当性が著しく向上することが示唆されたBoltz-1xを除いて、AIのコフォールディング手法は配位子キラリティの問題を示す。 (4)結合ポケットの特定はドッキング性能を著しく向上させ,特にAIコフォールディング手法において,今後のモデリングにおいてポケット情報を適切に活用できることを示唆している。 コード、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。