論文の概要: The Docking Game: Loop Self-Play for Fast, Dynamic, and Accurate Prediction of Flexible Protein--Ligand Binding

• arxiv url: http://arxiv.org/abs/2508.05006v1
• Date: Thu, 07 Aug 2025 03:38:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.702604
• Title: The Docking Game: Loop Self-Play for Fast, Dynamic, and Accurate Prediction of Flexible Protein--Ligand Binding
• Title（参考訳）: ドッキングゲーム:柔軟タンパク質-リガンド結合の高速・動的・高精度予測のためのループセルフプレイ
• Authors: Youzhi Zhang, Yufei Li, Gaofeng Meng, Hongbin Liu, Jiebo Luo,
• Abstract要約: 本稿では,タンパク質-リガンド相互作用をドッキングゲームと呼ばれる2人プレイヤゲームとしてモデル化する新しいゲーム理論フレームワークを提案する。 LoopPlayは従来の最先端の方法と比較して,正確なバインディングモードの予測において約10%の改善を実現している。
• 参考スコア（独自算出の注目度）: 63.047895559704344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular docking is a crucial aspect of drug discovery, as it predicts the binding interactions between small-molecule ligands and protein pockets. However, current multi-task learning models for docking often show inferior performance in ligand docking compared to protein pocket docking. This disparity arises largely due to the distinct structural complexities of ligands and proteins. To address this issue, we propose a novel game-theoretic framework that models the protein-ligand interaction as a two-player game called the Docking Game, with the ligand docking module acting as the ligand player and the protein pocket docking module as the protein player. To solve this game, we develop a novel Loop Self-Play (LoopPlay) algorithm, which alternately trains these players through a two-level loop. In the outer loop, the players exchange predicted poses, allowing each to incorporate the other's structural predictions, which fosters mutual adaptation over multiple iterations. In the inner loop, each player dynamically refines its predictions by incorporating its own predicted ligand or pocket poses back into its model. We theoretically show the convergence of LoopPlay, ensuring stable optimization. Extensive experiments conducted on public benchmark datasets demonstrate that LoopPlay achieves approximately a 10\% improvement in predicting accurate binding modes compared to previous state-of-the-art methods. This highlights its potential to enhance the accuracy of molecular docking in drug discovery.
• Abstract（参考訳）: 分子ドッキングは、小分子リガンドとタンパク質ポケットの結合相互作用を予測するため、薬物発見の重要な側面である。 しかし、現在のドッキングのマルチタスク学習モデルは、タンパク質ポケットドッキングと比較してリガンドドッキングの性能が劣ることが多い。 この相違は、主にリガンドとタンパク質の構造的な複雑さによって生じる。 そこで本研究では,タンパク質-リガンド相互作用をDocking Gameと呼ばれる2人プレイヤゲームとしてモデル化し,リガンド・ドッキングモジュールがリガンド・プレイヤとして機能し,タンパク質ポケットドッキングモジュールがタンパク・プレイヤとして機能する新しいゲーム理論フレームワークを提案する。 この問題を解決するために,2段階のループを交互に学習するループ自己再生(Loop Play)アルゴリズムを開発した。 外側のループでは、プレイヤーは予測されたポーズを交換し、それぞれが互いの構造的予測を組み込むことで、複数のイテレーションに対する相互適応を促進する。 内部ループでは、各プレイヤーは予測されたリガンドまたはポケットのポーズをモデルに組み込むことで予測を動的に洗練する。 理論的には、LoopPlayの収束を示し、安定した最適化を保証する。 公開ベンチマークデータセットで実施された大規模な実験により、LoopPlayは従来の最先端手法と比較して、正確なバインディングモードの予測において約10倍の改善を達成している。 このことは、薬物発見における分子ドッキングの精度を高める可能性を強調している。

関連論文リスト

• PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking [74.76447568426276]
  PoseXは、セルフドッキングとクロスドッキングの両方を評価するためのオープンソースのベンチマークである。 23のドッキング法を3つの方法論カテゴリに組み込んだ。 我々は,コンフォメーションエネルギーを最小化し,結合ポーズを洗練するために,後処理の緩和法を開発した。
  論文  参考訳（メタデータ） (2025-05-03T05:35:37Z)
• 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)
• Deep Learning for Protein-Ligand Docking: Are We There Yet? [5.721438704473567]
  広範に適用可能なタンパク質リガンドドッキングのための、最初の包括的なベンチマークであるPoseBenchを紹介する。 PoseBenchは、Apo-to-holoタンパク質-リガンドドッキングとタンパク質-リガンド構造予測のためのDLメソッドを厳格かつ体系的に評価することを可能にする。
  論文  参考訳（メタデータ） (2024-05-23T02:27:39Z)
• Rigid Protein-Protein Docking via Equivariant Elliptic-Paraboloid Interface Prediction [19.73508673791042]
  硬質タンパク質ドッキングの研究は、薬物設計やタンパク質工学といった様々なタスクにおいて重要な役割を担っている。 本稿では,タンパク質-タンパク質ドッキングインタフェースを表現するために,楕円型パラボロイドを予測するElliDockという新しい学習手法を提案する。 その設計上、エリドックはタンパク質の任意の回転/翻訳に関して独立に同型である。
  論文  参考訳（メタデータ） (2024-01-17T05:39:03Z)
• 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)
• FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
  $mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。 提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
  論文  参考訳（メタデータ） (2023-10-10T16:39:47Z)
• DockGame: Cooperative Games for Multimeric Rigid Protein Docking [45.970633276976045]
  ドッキングのための新しいゲーム理論フレームワークであるDockGameを紹介した。 タンパク質ドッキングはタンパク質間の協調ゲームであり、最終組み立て構造が安定な平衡を構成する。 Docking Benchmark 5.5データセットでは、DockGameは従来のドッキングメソッドよりもはるかに高速なランタイムを持つ。
  論文  参考訳（メタデータ） (2023-10-09T22:02:05Z)
• Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
  我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。 本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。 我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
  論文  参考訳（メタデータ） (2021-11-15T18:46:37Z)

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。