論文の概要: Piloting Structure-Based Drug Design via Modality-Specific Optimal Schedule

• arxiv url: http://arxiv.org/abs/2505.07286v2
• Date: Thu, 05 Jun 2025 12:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 16:56:39.496528
• Title: Piloting Structure-Based Drug Design via Modality-Specific Optimal Schedule
• Title（参考訳）: モダリティ特異的最適スケジュールによる試験的構造に基づく医薬品設計
• Authors: Keyue Qiu, Yuxuan Song, Zhehuan Fan, Peidong Liu, Zhe Zhang, Mingyue Zheng, Hao Zhou, Wei-Ying Ma,
• Abstract要約: 近年の深部生成モデルは幾何構造モデリングの課題に直面している。 雑音スケジュールがねじれ確率パスの変動下界(VLB)を決定する事実を確立することにより、VLB-Optimal Scheduling(VOS)を提案する。 本モデルにより分子構造と相互作用モデリングが効果的に向上し,CrossDock上で95.9%の最先端のPoseBusters通過率が達成される。
• 参考スコア（独自算出の注目度）: 19.871512049860076
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Structure-Based Drug Design (SBDD) is crucial for identifying bioactive molecules. Recent deep generative models are faced with challenges in geometric structure modeling. A major bottleneck lies in the twisted probability path of multi-modalities -- continuous 3D positions and discrete 2D topologies -- which jointly determine molecular geometries. By establishing the fact that noise schedules decide the Variational Lower Bound (VLB) for the twisted probability path, we propose VLB-Optimal Scheduling (VOS) strategy in this under-explored area, which optimizes VLB as a path integral for SBDD. Our model effectively enhances molecular geometries and interaction modeling, achieving state-of-the-art PoseBusters passing rate of 95.9% on CrossDock, more than 10% improvement upon strong baselines, while maintaining high affinities and robust intramolecular validity evaluated on held-out test set. Code is available at https://github.com/AlgoMole/MolCRAFT.
• Abstract（参考訳）: SBDD(Structure-Based Drug Design)は、生物活性分子の同定に重要である。 近年の深部生成モデルは幾何構造モデリングの課題に直面している。 主要なボトルネックは、連続した3D位置と離散的な2Dトポロジーという、分子のジオメトリを共同で決定する多モードのねじれ確率経路にある。 ノイズスケジュールがツイストされた確率パスの変分下界(VLB)を決定する事実を確立することにより、この下探索領域におけるVLB-Optimal Scheduling(VOS)戦略を提案し、VLBをSBDDの経路積分として最適化する。 本モデルは,分子構造と相互作用のモデリングを効果的に強化し,CrossDock上で95.9%の最先端のPoseBusters通過率を達成し,高親和性と堅牢な分子内有効性を維持しつつ,強いベースラインを10%以上改善する。 コードはhttps://github.com/AlgoMole/MolCRAFTで入手できる。

関連論文リスト

• BoKDiff: Best-of-K Diffusion Alignment for Target-Specific 3D Molecule Generation [0.0]
  構造に基づく薬物設計(SBDD)は、生体分子標的の3次元構造を利用して、新しい治療薬の開発を導く。 幾何モデルやディープラーニングを含む生成モデルの最近の進歩は、リガンド生成の最適化を約束している。 我々は,多目的最適化とBest-of-Kアライメント手法を組み合わせることで,リガンド生成を向上させる新しいフレームワークであるBoKDiffを提案する。
  論文  参考訳（メタデータ） (2025-01-26T18:29:11Z)
• MolCRAFT: Structure-Based Drug Design in Continuous Parameter Space [31.53831043892904]
  MolCRAFTは連続パラメータ空間で作動する最初の構造に基づく医薬品設計モデルである。 より安定な3次元構造との結合親和性において、一貫して優れた性能を達成する。
  論文  参考訳（メタデータ） (2024-04-18T12:43:39Z)
• Unified Generative Modeling of 3D Molecules via Bayesian Flow Networks [19.351562908683334]
  GeoBFNは、分布の微分可能なパラメータ空間における様々なモジュラリティをモデル化することによって、分子幾何学に自然に適合する。 我々はGeoBFNが生成品質の観点から,複数の3次元分子生成ベンチマークにおける最先端性能を実現することを実証した。 GeoBFNはまた、効率と品質の最適なトレードオフに到達するために、任意のステップでサンプリングを行うこともできる。
  論文  参考訳（メタデータ） (2024-03-17T08:40:06Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• Reinforced Genetic Algorithm for Structure-based Drug Design [38.134929249388406]
  SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に結合する分子を見つけることにより、薬物候補を見つけることを目的とした薬物設計である。 本稿では,ニューラルネットワークを用いた遺伝的アルゴリズム(Reinforced Genetic Algorithm, RGA)を提案する。
  論文  参考訳（メタデータ） (2022-11-28T22:59:46Z)
• Structure-based Drug Design with Equivariant Diffusion Models [40.73626627266543]
  本稿では,タンパク質ポケットに新しい条件を付加したSE(3)-同変拡散モデルDiffSBDDを提案する。 我々のサイリコ実験では、DiffSBDDが地上の真実データの統計を効果的に捉えていることが示されています。 これらの結果は、拡散モデルが従来の方法よりも正確に構造データの複雑な分布を表すという仮定を支持する。
  論文  参考訳（メタデータ） (2022-10-24T15:51:21Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。