論文の概要: PocketVina Enables Scalable and Highly Accurate Physically Valid Docking through Multi-Pocket Conditioning
- arxiv url: http://arxiv.org/abs/2506.20043v1
- Date: Tue, 24 Jun 2025 22:50:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-26 21:00:42.551473
- Title: PocketVina Enables Scalable and Highly Accurate Physically Valid Docking through Multi-Pocket Conditioning
- Title（参考訳）: PocketVinaは、マルチポケットコンディショニングによるスケーラブルで高精度な物理バリデーションドッキングを可能にする
- Authors: Ahmet Sarigun, Bora Uyar, Vedran Franke, Altuna Akalin,
- Abstract要約: PocketVinaは、ポケット予測とシステマティックなマルチポケット探索を組み合わせた、検索ベースのドッキングフレームワークである。
我々はPocketVinaを、PDBbind 2020 (timesplit and unseen)、DockGen、Astex、PoseBustersの4つの確立したベンチマークで評価し、物理的に有効なドッキングポーズのサンプリングにおいて一貫して強いパフォーマンスを観察する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sampling physically valid ligand-binding poses remains a major challenge in molecular docking, particularly for unseen or structurally diverse targets. We introduce PocketVina, a fast and memory-efficient, search-based docking framework that combines pocket prediction with systematic multi-pocket exploration. We evaluate PocketVina across four established benchmarks--PDBbind2020 (timesplit and unseen), DockGen, Astex, and PoseBusters--and observe consistently strong performance in sampling physically valid docking poses. PocketVina achieves state-of-the-art performance when jointly considering ligand RMSD and physical validity (PB-valid), while remaining competitive with deep learning-based approaches in terms of RMSD alone, particularly on structurally diverse and previously unseen targets. PocketVina also maintains state-of-the-art physically valid docking accuracy across ligands with varying degrees of flexibility. We further introduce TargetDock-AI, a benchmarking dataset we curated, consisting of over 500000 protein-ligand pairs, and a partition of the dataset labeled with PubChem activity annotations. On this large-scale dataset, PocketVina successfully discriminates active from inactive targets, outperforming a deep learning baseline while requiring significantly less GPU memory and runtime. PocketVina offers a robust and scalable docking strategy that requires no task-specific training and runs efficiently on standard GPUs, making it well-suited for high-throughput virtual screening and structure-based drug discovery.
- Abstract（参考訳）: 物理的に有効なリガンド結合のポーズをサンプリングすることは分子ドッキングにおいて大きな課題であり、特に目に見えない、あるいは構造的に多様な標的に対してである。
本稿では,ポケット予測とマルチポケット探索を組み合わせた高速でメモリ効率の高いドッキングフレームワークであるPocketVinaを紹介する。
我々はPocktVinaをPDBbind2020 (timesplit and unseen)、DockGen、Astex、PoseBustersの4つの確立されたベンチマークで評価し、物理的に有効なドッキングポーズのサンプリングにおいて一貫して強いパフォーマンスを観察する。
PocketVinaは、リガンドRMSDと物理的妥当性(PB-valid)を共同で検討する上で、最先端のパフォーマンスを実現している。
またPocketVinaは、リガンド間の物理的に有効なドッキング精度も維持しており、柔軟性は様々である。
さらに、50万以上のタンパク質-リガンドペアからなるベンチマークデータセットであるTargetDock-AIと、PubChemアクティビティアノテーションでラベル付けされたデータセットのパーティションを紹介します。
この大規模なデータセットでは、PocketVinaはアクティブなターゲットと非アクティブなターゲットを区別することに成功し、GPUメモリとランタイムを著しく少なくしながら、ディープラーニングベースラインを上回っている。
PocketVinaは、タスク固有のトレーニングを必要とせず、標準GPU上で効率的に動作する堅牢でスケーラブルなドッキング戦略を提供する。
関連論文リスト
- Accurate Pocket Identification for Binding-Site-Agnostic Docking [0.0]
ドッキングとのシームレスな統合のためのポケットフィンディングアルゴリズムを開発した。
AutoDock Vinaを導く場合、RAPID-NetはPoseBustersベンチマークでDiffBindFRを上回っている。
PUResNetとKalasantyを抜いて、ドッキング精度とポケットリガンドの交差点レートを上回っている。
論文 参考訳（メタデータ） (2025-02-04T14:52:10Z) - 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) - Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。
ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。
そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
論文 参考訳（メタデータ） (2024-06-26T05:30:21Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z) - 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) - DrugCLIP: Contrastive Protein-Molecule Representation Learning for
Virtual Screening [16.31607535765497]
DrugCLIPは、仮想スクリーニングのための新しい対照的な学習フレームワークである。
明示的な結合親和性スコアなしで、大量のペアデータから結合タンパク質ポケットと分子の表現を調整できる。
様々な仮想スクリーニングベンチマークにおいて、従来のドッキングや教師あり学習方法よりも大幅に優れています。
論文 参考訳（メタデータ） (2023-10-10T07:08:35Z) - Efficient Adaptive Human-Object Interaction Detection with
Concept-guided Memory [64.11870454160614]
概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。
ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。
提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
論文 参考訳（メタデータ） (2023-09-07T13:10:06Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。
このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。
種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
論文 参考訳（メタデータ） (2023-06-01T04:50:06Z) - Plex: Towards Reliability using Pretrained Large Model Extensions [69.13326436826227]
我々は,視覚と言語モダリティのための事前訓練された大規模モデル拡張であるViT-PlexとT5-Plexを開発した。
Plexは信頼性タスク間の最先端性を大幅に改善し、従来のプロトコルを単純化する。
最大1Bパラメータまでのモデルサイズに対するスケーリング効果と,最大4B例までのデータセットサイズを事前トレーニングした。
論文 参考訳（メタデータ） (2022-07-15T11:39:37Z) - Social Adaptive Module for Weakly-supervised Group Activity Recognition [143.68241396839062]
本稿では、弱教師付きグループ活動認識(GAR)と呼ばれる新しいタスクを提案する。
従来のGARタスクとは違い、ビデオレベルラベルのみが利用可能であるが、トレーニングデータにおいても、各フレーム内の重要人物は提供されない。
これにより、大規模なNBAデータセットの収集とアノテートが容易になり、GARに新たな課題が生まれます。
論文 参考訳（メタデータ） (2020-07-18T16:40:55Z)
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。