論文の概要: Sesame: Opening the door to protein pockets

• arxiv url: http://arxiv.org/abs/2509.05302v1
• Date: Thu, 21 Aug 2025 12:22:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-14 20:41:04.898164
• Title: Sesame: Opening the door to protein pockets
• Title（参考訳）: せさめ:タンパク質ポケットの扉を開ける
• Authors: Raúl Miñán, Carles Perez-Lopez, Javier Iglesias, Álvaro Ciudad, Alexis Molina,
• Abstract要約: 本稿では,コンフォメーション変化を効率的に予測するための生成モデルであるSesameを紹介する。 Sesameは、仮想スクリーニングを改善するスケーラブルなソリューションを提供することを目指している。
• 参考スコア（独自算出の注目度）: 0.008473325005931046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular docking is a cornerstone of drug discovery, relying on high-resolution ligand-bound structures to achieve accurate predictions. However, obtaining these structures is often costly and time-intensive, limiting their availability. In contrast, ligand-free structures are more accessible but suffer from reduced docking performance due to pocket geometries being less suited for ligand accommodation in apo structures. Traditional methods for artificially inducing these conformations, such as molecular dynamics simulations, are computationally expensive. In this work, we introduce Sesame, a generative model designed to predict this conformational change efficiently. By generating geometries better suited for ligand accommodation at a fraction of the computational cost, Sesame aims to provide a scalable solution for improving virtual screening workflows.
• Abstract（参考訳）: 分子ドッキングは薬物発見の基盤であり、正確な予測をするために高分解能リガンド結合構造に依存している。 しかしながら、これらの構造を得るにはコストがかかり、時間を要するため、可用性が制限されることが多い。 対照的に、リガンドフリー構造はよりアクセスしやすいが、ポケットジオメトリーがアポ構造のリガンド収容に適さないためドッキング性能が低下する。 分子動力学シミュレーションのような、これらのコンフォメーションを人工的に誘導する伝統的な手法は、計算的に高価である。 本研究では,この構造変化を効率的に予測するための生成モデルであるSesameを紹介する。 計算コストのごく一部でリガンド収容に適したジオメトリを生成することで、Sesameは仮想スクリーニングワークフローを改善するためのスケーラブルなソリューションを提供することを目指している。

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)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• 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)
• 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)
• 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)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction [31.191844909335963]
  薬物のような分子が特定のタンパク質標的にどのように結合するかを予測することは、薬物発見における中核的な問題である。 非常に高速な計算結合法は、高速な仮想スクリーニングや薬物工学といった重要な応用を可能にする。 本稿では,SE(3)-同変な幾何学的深層学習モデルであるEquiBindを提案する。
  論文  参考訳（メタデータ） (2022-02-07T16:26:05Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

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。