論文の概要: CovDocker: Benchmarking Covalent Drug Design with Tasks, Datasets, and Solutions

• arxiv url: http://arxiv.org/abs/2506.21085v1
• Date: Thu, 26 Jun 2025 08:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.020547
• Title: CovDocker: Benchmarking Covalent Drug Design with Tasks, Datasets, and Solutions
• Title（参考訳）: CovDocker: タスク、データセット、ソリューションによる共有ドラッグデザインのベンチマーク
• Authors: Yangzhe Peng, Kaiyuan Gao, Liang He, Yuheng Cong, Haiguang Liu, Kun He, Lijun Wu,
• Abstract要約: 共有結合の複雑さをよりよく捉えるために,共有ドッキングのベンチマークであるCovDockerを紹介した。 共有ドッキングプロセスは, 反応位置予測, 共有反応予測, 共有ドッキングの3つの主要なタスクに分解する。 結果は、同値医薬品設計の研究を進めるための厳格な枠組みとしてのベンチマークの役割を裏付けるものである。
• 参考スコア（独自算出の注目度）: 30.488343966447864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular docking plays a crucial role in predicting the binding mode of ligands to target proteins, and covalent interactions, which involve the formation of a covalent bond between the ligand and the target, are particularly valuable due to their strong, enduring binding nature. However, most existing docking methods and deep learning approaches hardly account for the formation of covalent bonds and the associated structural changes. To address this gap, we introduce a comprehensive benchmark for covalent docking, CovDocker, which is designed to better capture the complexities of covalent binding. We decompose the covalent docking process into three main tasks: reactive location prediction, covalent reaction prediction, and covalent docking. By adapting state-of-the-art models, such as Uni-Mol and Chemformer, we establish baseline performances and demonstrate the effectiveness of the benchmark in accurately predicting interaction sites and modeling the molecular transformations involved in covalent binding. These results confirm the role of the benchmark as a rigorous framework for advancing research in covalent drug design. It underscores the potential of data-driven approaches to accelerate the discovery of selective covalent inhibitors and addresses critical challenges in therapeutic development.
• Abstract（参考訳）: 分子ドッキングは、リガンドの標的タンパク質への結合様式を予測する上で重要な役割を担い、リガンドと標的との共有結合の形成を含む共有結合は、その強い永続的な結合の性質のために特に有用である。 しかし、既存のドッキング手法やディープラーニングアプローチのほとんどは、共有結合の形成と関連する構造変化をほとんど考慮していない。 このギャップに対処するために、共有結合の複雑さをよりよく捉えるように設計された、共有ドッキングのための包括的なベンチマークであるCovDockerを紹介します。 共有ドッキングプロセスは, 反応位置予測, 共有反応予測, 共有ドッキングの3つの主要なタスクに分解する。 Uni-Mol や Chemformer のような最先端のモデルを適用することで、ベースライン性能を確立し、相互作用部位を正確に予測し、共有結合に関与する分子変換をモデル化するベンチマークの有効性を実証する。 これらの結果は、同値医薬品設計の研究を進めるための厳格な枠組みとしてのベンチマークの役割を裏付けるものである。 これは、選択的共有結合阻害剤の発見を加速するデータ駆動型アプローチの可能性を強調し、治療開発における重要な課題に対処する。

関連論文リスト

• Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
  ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。 これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
  論文  参考訳（メタデータ） (2025-05-25T07:36:50Z)
• 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)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• Leveraging Side Information for Ligand Conformation Generation using Diffusion-Based Approaches [12.71967232020327]
  リガンド分子コンホメーション生成は、薬物発見において重要な課題である。 この問題を解決するためにディープラーニングモデルが開発されている。 これらのモデルはしばしば、本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
  論文  参考訳（メタデータ） (2023-08-02T09:56:47Z)
• E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking [20.266157559473342]
  我々は、リガンドポーズを反復的に更新するエンドツーエンドの同変ネットワークであるE3Bindを提案する。 E3Bindはドッキングにおける幾何学的制約を慎重に考慮し、タンパク質-リガンド相互作用をモデル化する。 標準ベンチマークデータセットの実験は、エンドツーエンドのトレーニング可能なモデルの優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2022-10-12T10:25:54Z)
• Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
  我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。 各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。 実験結果は,提案手法の有効性と有用性を検証した。
  論文  参考訳（メタデータ） (2021-04-21T09:06:54Z)
• InteractionNet: Modeling and Explaining of Noncovalent Protein-Ligand Interactions with Noncovalent Graph Neural Network and Layer-Wise Relevance Propagation [0.0]
  非共有結合タンパク質-リガンド相互作用を学習するためのグラフニューラルネットワークアーキテクチャを提案する。 本モデルは, 化学解釈における性能および関連性の両方において, 非共有相互作用の予測に成功していることを示す。
  論文  参考訳（メタデータ） (2020-05-12T12:46:44Z)

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。