論文の概要: A 3D pocket-aware and evolutionary conserved interaction guided diffusion model for molecular optimization

• arxiv url: http://arxiv.org/abs/2505.05874v1
• Date: Fri, 09 May 2025 08:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.203254
• Title: A 3D pocket-aware and evolutionary conserved interaction guided diffusion model for molecular optimization
• Title（参考訳）: 分子最適化のための3次元ポケットアウェアと進化的保存相互作用誘導拡散モデル
• Authors: Anjie Qiao, Hao Zhang, Qianmu Yuan, Qirui Deng, Jingtian Su, Weifeng Huang, Huihao Zhou, Guo-Bo Li, Zhen Wang, Jinping Lei,
• Abstract要約: 我々は,足場装飾による分子最適化のための新しい3次元ターゲット認識拡散モデルDiffDecipを開発した。 モデル性能から,DiffDecipは,タンパク質ポケット内の高保存残基と非共有結合性を形成することにより,分子最適化におけるDiffDecよりも高い親和性を示すことが明らかとなった。
• 参考スコア（独自算出の注目度）: 7.254508464118023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating molecules that bind to specific protein targets via diffusion models has shown good promise for structure-based drug design and molecule optimization. Especially, the diffusion models with binding interaction guidance enables molecule generation with high affinity through forming favorable interaction within protein pocket. However, the generated molecules may not form interactions with the highly conserved residues, which are important for protein functions and bioactivities of the ligands. Herein, we developed a new 3D target-aware diffusion model DiffDecip, which explicitly incorporates the protein-ligand binding interactions and evolutionary conservation information of protein residues into both diffusion and sampling process, for molecule optimization through scaffold decoration. The model performance revealed that DiffDecip outperforms baseline model DiffDec on molecule optimization towards higher affinity through forming more non-covalent interactions with highly conserved residues in the protein pocket.
• Abstract（参考訳）: 特定のタンパク質標的に拡散モデルを介して結合する分子の生成は、構造に基づく薬物設計と分子最適化に良い可能性を示唆している。 特に、結合相互作用誘導を用いた拡散モデルにより、タンパク質ポケット内で良好な相互作用を形成することにより、親和性の高い分子生成が可能となる。 しかし、生成した分子は、リガンドのタンパク質機能や生物活性にとって重要な高度に保存された残基との相互作用を形成できない。 そこで我々は,タンパク質-リガンド結合相互作用とタンパク質残基の進化保存情報を拡散およびサンプリングプロセスに明示的に組み込んだ新しい3次元ターゲット認識拡散モデルDiffDecipを開発した。 モデル性能から,DiffDecipは,タンパク質ポケット内の高保存残基と非共有結合性を形成することにより,分子最適化におけるDiffDecよりも高い親和性を示すことが明らかとなった。

関連論文リスト

• A 3D pocket-aware and affinity-guided diffusion model for lead optimization [15.437706611144208]
  Diffleopという3次元ポケット認識および親和性誘導拡散モデルを提案し,結合親和性を高めた分子を最適化する。 このモデルは、タンパク質-リガンド結合親和性の知識を明示的に取り入れ、高い親和性を持つ分子生成のための脱ノイズサンプリングを導く。
  論文  参考訳（メタデータ） (2025-04-29T11:52:42Z)
• Molecule Generation for Target Protein Binding with Hierarchical Consistency Diffusion Model [17.885767456439215]
  Atom-Motif Consistency Diffusion Model (AMDiff)は、分子の原子レベルのビューとモチーフレベルのビューを統合する階層的な拡散アーキテクチャである。 既存のアプローチと比較して、AMDiffは様々なタンパク質ポケットに適合するように調整された分子の生成において、優れた妥当性と新規性を示す。
  論文  参考訳（メタデータ） (2025-03-02T17:54:30Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• Binding-Adaptive Diffusion Models for Structure-Based Drug Design [33.9764269117599]
  我々はバインディング適応拡散モデル(BindDM)という新しいフレームワークを提案する。 BindDMでは,タンパク質-リガンド相互作用に関与する結合部位の重要な部分であるサブ複合体を適応的に抽出する。 BindDMは、より現実的な3D構造を持ち、タンパク質標的に対する高い結合親和性を持つ分子を生成でき、最大5.92 Avg. Vina Scoreを持つ。
  論文  参考訳（メタデータ） (2024-01-15T00:34:00Z)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• 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)

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。