論文の概要: AANet: Virtual Screening under Structural Uncertainty via Alignment and Aggregation

• arxiv url: http://arxiv.org/abs/2506.05768v1
• Date: Fri, 06 Jun 2025 05:52:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.343663
• Title: AANet: Virtual Screening under Structural Uncertainty via Alignment and Aggregation
• Title（参考訳）: AANet: アライメントとアグリゲーションによる構造不確かさ下での仮想スクリーニング
• Authors: Wenyu Zhu, Jianhui Wang, Bowen Gao, Yinjun Jia, Haichuan Tan, Ya-Qin Zhang, Wei-Ying Ma, Yanyan Lan,
• Abstract要約: 構造的不確実性の下で正確な仮想スクリーニングを実現するためのアライメント・アンド・アグリゲーション・フレームワークを導入する。 本手法は,新しいアポ構造のベンチマークで評価し,ブラインドアポ設定における最先端の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 18.8920680373474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual screening (VS) is a critical component of modern drug discovery, yet most existing methods--whether physics-based or deep learning-based--are developed around holo protein structures with known ligand-bound pockets. Consequently, their performance degrades significantly on apo or predicted structures such as those from AlphaFold2, which are more representative of real-world early-stage drug discovery, where pocket information is often missing. In this paper, we introduce an alignment-and-aggregation framework to enable accurate virtual screening under structural uncertainty. Our method comprises two core components: (1) a tri-modal contrastive learning module that aligns representations of the ligand, the holo pocket, and cavities detected from structures, thereby enhancing robustness to pocket localization error; and (2) a cross-attention based adapter for dynamically aggregating candidate binding sites, enabling the model to learn from activity data even without precise pocket annotations. We evaluated our method on a newly curated benchmark of apo structures, where it significantly outperforms state-of-the-art methods in blind apo setting, improving the early enrichment factor (EF1%) from 11.75 to 37.19. Notably, it also maintains strong performance on holo structures. These results demonstrate the promise of our approach in advancing first-in-class drug discovery, particularly in scenarios lacking experimentally resolved protein-ligand complexes.
• Abstract（参考訳）: 仮想スクリーニング(VS)は、現代の薬物発見の重要な要素であるが、物理ベースか深層学習ベースかは、既知のリガンド結合ポケットを持つホロタンパク質構造を中心に開発されている。 その結果、それらのパフォーマンスはAlphaFold2のようなアポや予測された構造で著しく低下し、ポケット情報が欠落している現実世界のアーリーステージの薬物発見を代表している。 本稿では,アライメント・アンド・アグリゲーション・フレームワークを導入し,構造的不確実性の下で正確な仮想スクリーニングを実現する。 提案手法は,(1)リガンド,ホロポケット,キャビティなどの構造から検出された表現を整列し,ポケット位置決め誤差に対する堅牢性を向上する3モードコントラスト学習モジュール,(2)動的に候補結合部位を集約するクロスアテンションベースのアダプタ,の2つのコアコンポーネントから構成され,正確なポケットアノテーションを使わずに,モデルがアクティビティデータから学習できるようにする。 本手法を新たにキュレートしたアポ構造のベンチマークで評価し, ブラインドアポ設定における最先端の手法よりも優れ, 初期濃縮係数(EF1%)を11.75から37.19に改善した。 特に、ホロ構造の強い性能を保っている。 これらの結果は、特にタンパク質-リガンド複合体が未解決のシナリオにおいて、ファースト・イン・クラス・ドラッグ発見の進展における我々のアプローチの可能性を示唆している。

関連論文リスト

• Fast and Accurate Blind Flexible Docking [79.88520988144442]
  小分子(配位子)のタンパク質標的への結合構造を予測する分子ドッキングは、薬物発見において重要な役割を果たす。 本研究では,現実的な視覚的フレキシブルドッキングシナリオを対象とした,高速かつ高精度な回帰ベースマルチタスク学習モデルであるFABFlexを提案する。
  論文  参考訳（メタデータ） (2025-02-20T07:31:13Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• ProFSA: Self-supervised Pocket Pretraining via Protein Fragment-Surroundings Alignment [20.012210194899605]
  本稿では,高分解能原子タンパク質構造からの知識を活用したポケット事前学習手法を提案する。 ProFSAと命名された本手法は,ポケットの薬剤性予測など,様々なタスクにおける最先端性能を実現する。 我々の研究は、高品質で多様なタンパク質構造データベースを活用することにより、タンパク質-リガンド複合体データの不足を軽減するための新たな道を開く。
  論文  参考訳（メタデータ） (2023-10-11T06:36:23Z)
• PharmacoNet: Accelerating Large-Scale Virtual Screening by Deep Pharmacophore Modeling [0.0]
  我々は,この課題に対処するために,構造に基づく薬剤師範モデリングのためのディープラーニングフレームワークを初めて記述する。 PharmacoNetは最先端の構造に基づくアプローチよりもはるかに高速だが、単純なスコアリング機能では合理的に正確である。
  論文  参考訳（メタデータ） (2023-10-01T14:13:09Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)
• 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。