論文の概要: Boltzina: Efficient and Accurate Virtual Screening via Docking-Guided Binding Prediction with Boltz-2

• arxiv url: http://arxiv.org/abs/2508.17555v1
• Date: Sun, 24 Aug 2025 23:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.583326
• Title: Boltzina: Efficient and Accurate Virtual Screening via Docking-Guided Binding Prediction with Boltz-2
• Title（参考訳）: Boltzina: Docking-Guided Binding Prediction with Boltz-2による高効率かつ高精度な仮想スクリーニング
• Authors: Kairi Furui, Masahito Ohue,
• Abstract要約: 構造に基づく薬物発見では、従来の分子ドッキング法による仮想スクリーニングを迅速に行うことができるが、予測精度の限界に悩まされる。 近年、Boltz-2が提案され、結合親和性予測の精度は極めて高いが、GPU当たりの化合物あたり約20秒を要する。 本研究では,Boltz-2の高精度性を生かし,計算効率を大幅に向上させる新しいフレームワークであるBoltzinaを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In structure-based drug discovery, virtual screening using conventional molecular docking methods can be performed rapidly but suffers from limitations in prediction accuracy. Recently, Boltz-2 was proposed, achieving extremely high accuracy in binding affinity prediction, but requiring approximately 20 seconds per compound per GPU, making it difficult to apply to large-scale screening of hundreds of thousands to millions of compounds. This study proposes Boltzina, a novel framework that leverages Boltz-2's high accuracy while significantly improving computational efficiency. Boltzina achieves both accuracy and speed by omitting the rate-limiting structure prediction from Boltz-2's architecture and directly predicting affinity from AutoDock Vina docking poses. We evaluate on eight assays from the MF-PCBA dataset and show that while Boltzina performs below Boltz-2, it provides significantly higher screening performance compared to AutoDock Vina and GNINA. Additionally, Boltzina achieved up to 11.8$\times$ faster through reduced recycling iterations and batch processing. Furthermore, we investigated multi-pose selection strategies and two-stage screening combining Boltzina and Boltz-2, presenting optimization methods for accuracy and efficiency according to application requirements. This study represents the first attempt to apply Boltz-2's high-accuracy predictions to practical-scale screening, offering a pipeline that combines both accuracy and efficiency in computational biology. The Boltzina is available on github; https://github.com/ohuelab/boltzina.
• Abstract（参考訳）: 構造に基づく薬物発見では、従来の分子ドッキング法による仮想スクリーニングを迅速に行うことができるが、予測精度の限界に悩まされる。 近年、Boltz-2は結合親和性予測において極めて高い精度で提案されているが、1GPU当たり約20秒の化合物を必要とするため、数十万から数百万の化合物の大規模スクリーニングには適用が困難である。 本研究では,Boltz-2の高精度性を生かし,計算効率を大幅に向上させる新しいフレームワークであるBoltzinaを提案する。 Boltzinaは、Boltz-2アーキテクチャからのレート制限構造予測を省略し、AutoDock Vinaドッキングポーズからの親和性を直接予測することで、精度と速度の両方を達成する。 MF-PCBAデータセットから8つの評価を行い,BoltzinaがBoltz-2以下で実行されているのに対して,AutoDock VinaやGNINAと比較して,スクリーニング性能が著しく向上していることを示す。 さらにBoltzinaは、リサイクルのイテレーションとバッチ処理の削減により、11.8$\times$の高速化を実現した。 さらに,BoltzinaとBoltz-2を組み合わせたマルチポジション選択手法と2段階スクリーニングについて検討し,アプリケーション要求に応じて精度と効率の最適化手法を提案する。 この研究はボルツ2の高精度予測を実用規模のスクリーニングに適用する最初の試みであり、計算生物学における精度と効率の両立したパイプラインを提供する。 Boltzinaはgithub; https://github.com/ohuelab/boltzina.comで入手できる。

関連論文リスト

• TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations [0.7891868017562221]
  本稿では,タンパク質リガンド構造と結合親和性予測の基礎モデルTerraBindを提案する。 最新の手法よりも26倍高速な推論を実現し、親和性予測精度を$sim$20%向上させる。
  論文  参考訳（メタデータ） (2026-02-08T00:01:43Z)
• SignRoundV2: Closing the Performance Gap in Extremely Low-Bit Post-Training Quantization for LLMs [4.946856266233001]
  SignRoundV2は訓練後の量子化フレームワークであり、混合精度なしでも非常に効果的である。 提案手法は大規模言語モデルの競合精度を保ち、4-5ビットで約1%のばらつきで生産レベルの性能を達成する。
  論文  参考訳（メタデータ） (2025-12-04T12:35:10Z)
• FlashBias: Fast Computation of Attention with Bias [70.44379606190569]
  偏見による注意は、視覚、言語、タンパク質の折り畳みやその他の先進的な科学モデルに広く展開されてきた。 これは、FlashAttentionのようなアクセラレーターの速度の根底にある、固く融合したメモリ計算パイプラインを破壊します。 本稿では,低ランク圧縮センシング理論に基づくFlashBiasを提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:12:50Z)
• Gaussian Weight Sampling for Scalable, Efficient and Stable Pseudo-Quantization Training [5.908471365011943]
  PQT(Pseudo-quantization Training)は、完全量子化トレーニング(FQT)の課題に対処する。 我々は,最大1Bパラメータと300Bトークンを有するGPT2およびLlama2モデルの事前学習中に,重量サンプリングを伴うPQTが(3)安定であることを示す。
  論文  参考訳（メタデータ） (2025-05-16T12:14:12Z)
• Pre-Training on Large-Scale Generated Docking Conformations with HelixDock to Unlock the Potential of Protein-ligand Structure Prediction Models [42.16524616409125]
  本研究では,大規模ドッキングコンフォーメーションの事前学習により,優れた性能を有するタンパク質リガンド構造予測モデルが得られることを示す。 提案モデルであるHelixDockは,物理ベースのドッキングツールによってカプセル化された物理知識を,事前学習期間中に取得することを目的としている。
  論文  参考訳（メタデータ） (2023-10-21T05:54:26Z)
• 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)
• A2Q: Accumulator-Aware Quantization with Guaranteed Overflow Avoidance [49.1574468325115]
  accumulator-aware Quantization (A2Q)は、量子化されたニューラルネットワーク(QNN)をトレーニングして、推論時のオーバーフローを回避するために設計された新しい重み量子化手法である。 A2Qは重み正規化にインスパイアされたユニークな定式化を導入し、アキュミュレータビット幅境界に従ってモデルの重みのL1ノルムを制約する。 A2Qは浮動小数点ベースラインと競合するモデルの精度を維持しつつ、低精度のアキュムレータのためのQNNを訓練できることを示す。
  論文  参考訳（メタデータ） (2023-08-25T17:28:58Z)
• MixFormerV2: Efficient Fully Transformer Tracking [49.07428299165031]
  トランスフォーマーベースのトラッカーは標準ベンチマークで高い精度を実現している。 しかし、その効率性は、GPUとCPUプラットフォームの両方での実践的なデプロイの障害であり続けている。 本稿では,EmphMixFormerV2と呼ばれるフルトランスフォーマートラッキングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-25T09:50:54Z)
• PalQuant: Accelerating High-precision Networks on Low-precision Accelerators [17.877271678887315]
  低精度深層学習アクセラレータ (DLAs) は, チップ面積とエネルギー消費の優位性から普及している。 高精度かつ効率的な推論を実現する一つの方法は、高精度ニューラルネットワークを低精度DLAに展開することである。 並列低精度表現をスクラッチから学習することで高精度計算を近似するParallel Low-precision Quantization (PalQuant)法を提案する。
  論文  参考訳（メタデータ） (2022-08-03T09:44:13Z)
• FNAS: Uncertainty-Aware Fast Neural Architecture Search [54.49650267859032]
  強化学習(Reinforcement Learning, RL)に基づくニューラルアーキテクチャサーチ(NAS)は一般的に、収束性の向上を保証するが、巨大な計算資源の要求に悩まされる。 NASにおけるロールアウトプロセスとRLプロセスの収束を加速する汎用パイプラインを提案する。 Mobile Neural Architecture Search (MNAS)サーチスペースの実験では、提案するFast Neural Architecture Search (FNAS)が標準のRLベースのNASプロセスを10倍高速化することを示した。
  論文  参考訳（メタデータ） (2021-05-25T06:32:52Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)

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。