論文の概要: Flow-Based Fragment Identification via Binding Site-Specific Latent Representations

• arxiv url: http://arxiv.org/abs/2509.13216v1
• Date: Tue, 16 Sep 2025 16:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.169844
• Title: Flow-Based Fragment Identification via Binding Site-Specific Latent Representations
• Title（参考訳）: 結合サイト特異的潜在表現によるフローベースフラグメント同定
• Authors: Rebecca Manuela Neeser, Ilia Igashov, Arne Schneuing, Michael Bronstein, Philippe Schwaller, Bruno Correia,
• Abstract要約: 我々は,分子断片とタンパク質表面の両方を共有潜在空間にマッピングする,対照的な学習手法に依存するタンパク質フラグメントエンコーダを開発した。 エンコーダは、インタラクションに関連する機能をキャプチャし、新しいメソッドであるLatentFragで仮想スクリーニングと生成設計を行うことができる。 我々の生成法は, 仮想スクリーニングなどの一般的な手法を計算コストのごく一部で上回り, フラグメントヒット発見の出発点となる。
• 参考スコア（独自算出の注目度）: 7.729885628667701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fragment-based drug design is a promising strategy leveraging the binding of small chemical moieties that can efficiently guide drug discovery. The initial step of fragment identification remains challenging, as fragments often bind weakly and non-specifically. We developed a protein-fragment encoder that relies on a contrastive learning approach to map both molecular fragments and protein surfaces in a shared latent space. The encoder captures interaction-relevant features and allows to perform virtual screening as well as generative design with our new method LatentFrag. In LatentFrag, fragment embeddings and positions are generated conditioned on the protein surface while being chemically realistic by construction. Our expressive fragment and protein representations allow location of protein-fragment interaction sites with high sensitivity and we observe state-of-the-art fragment recovery rates when sampling from the learned distribution of latent fragment embeddings. Our generative method outperforms common methods such as virtual screening at a fraction of its computational cost providing a valuable starting point for fragment hit discovery. We further show the practical utility of LatentFrag and extend the workflow to full ligand design tasks. Together, these approaches contribute to advancing fragment identification and provide valuable tools for fragment-based drug discovery.
• Abstract（参考訳）: フラグメントベースのドラッグデザインは、薬物発見を効率的に導くことができる小さな化学反応の結合を利用する、有望な戦略である。 フラグメントの識別の初期段階は、フラグメントが弱いものと非特異的に結合することが多いため、依然として困難である。 我々は,分子断片とタンパク質表面の両方を共有潜在空間にマッピングする,対照的な学習手法を用いたタンパク質フラグメントエンコーダを開発した。 エンコーダは、インタラクションに関連する機能をキャプチャし、新しいメソッドであるLatentFragで仮想スクリーニングと生成設計を行うことができる。 LatentFragでは、断片の埋め込みと位置がタンパク質表面に条件付けされ、製造によって化学的に現実的である。 我々の表現的フラグメントとタンパク質の表現は、タンパク質とフラグメントの相互作用部位の位置を高い感度で検出し、潜伏フラグメント埋め込みの学習分布から採取する際、最先端のフラグメント回復率を観察する。 我々の生成法は, 仮想スクリーニングなどの一般的な手法を計算コストのごく一部で上回り, フラグメントヒット発見の出発点となる。 さらに、LatentFragの実用性を示し、ワークフローを完全なリガンド設計タスクに拡張する。 これらの手法は、フラグメント識別の進歩に寄与し、フラグメントベースの薬物発見に有用なツールを提供する。

関連論文リスト

• FragmentGPT: A Unified GPT Model for Fragment Growing, Linking, and Merging in Molecular Design [41.569088533365274]
  FragmentGPTは、切断された分子断片を化学的および薬理学的に有効な候補に結合するリンカーを生成する。 また、重複フラグメントのような構造的冗長性、すなわちインテリジェントなマージの解決も学んでいる。 実世界のがんデータセットの実験とアブレーション研究は、化学的に有効な高品質な分子を生成する能力を示している。
  論文  参考訳（メタデータ） (2025-09-14T02:17:07Z)
• Robust Noisy Pseudo-label Learning for Semi-supervised Medical Image Segmentation Using Diffusion Model [5.158113225132093]
  半教師付き医用画像セグメンテーションは、限られた注釈付きデータと豊富なラベルなしデータを利用して正確なセグメンテーションを実現することを目的としている。 既存の手法は、擬似ラベルが導入したノイズにより、潜在空間における意味分布を構成するのにしばしば苦労する。 提案手法は,プロトタイプに基づくコントラッシブコントラストの整合性を強制することにより,意味ラベルの遅延構造に制約を導入する。
  論文  参考訳（メタデータ） (2025-07-22T10:21:55Z)
• "Principal Components" Enable A New Language of Images [79.45806370905775]
  証明可能なPCAのような構造を潜在トークン空間に組み込む新しい視覚トークン化フレームワークを導入する。 提案手法は、最先端の再構築性能を実現し、人間の視覚システムとの整合性を向上する。
  論文  参考訳（メタデータ） (2025-03-11T17:59:41Z)
• The Latent Road to Atoms: Backmapping Coarse-grained Protein Structures with Latent Diffusion [19.85659309869674]
  潜伏拡散バックマッピング(LDB)は、これらの課題に対処するために潜伏空間内での拡散をデノナイズする新しいアプローチである。 3つの異なるタンパク質データセット上でLDBの最先端性能を評価する。 計算生物学におけるCGシミュレーションと原子レベル解析のギャップを効果的に埋め、LDBをバックマッピングのための強力でスケーラブルなアプローチとして位置づけた。
  論文  参考訳（メタデータ） (2024-10-17T06:38:07Z)
• 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)
• Drug Discovery with Dynamic Goal-aware Fragments [76.10700304803177]
  GEAM (Goal-aware fragment extract, Assembly and Modification) という薬物発見のための分子生成フレームワークを提案する。 GEAMは3つのモジュールから構成されており、それぞれがゴール対応のフラグメント抽出、フラグメントアセンブリ、フラグメント修正を担当している。 GEAMは3つのモジュールの生成サイクルを通じて薬物候補を効果的に発見できることを実験的に実証した。
  論文  参考訳（メタデータ） (2023-10-02T01:30:42Z)
• Attention-Based Transformers for Instance Segmentation of Cells in Microstructures [22.215852332444904]
  本稿では, 直接端対端のインスタンスセグメンテーションのための新しいアテンションベースセル検出トランス (Cell-DETR) を提案する。 セグメンテーション性能は最先端のインスタンスセグメンテーション法と同等だが、Cell-DETRはよりシンプルで高速である。 特定のユースケースでは、提案手法は意味的セグメンテーションのための最先端のツールを超越し、個別のオブジェクトインスタンスを予測する。
  論文  参考訳（メタデータ） (2020-11-19T10:49:56Z)
• Panoptic Feature Fusion Net: A Novel Instance Segmentation Paradigm for Biomedical and Biological Images [91.41909587856104]
  本稿では,本研究における意味的特徴とインスタンス的特徴を統一するPanoptic Feature Fusion Net(PFFNet)を提案する。 提案するPFFNetには,インスタンス予測を意味的特徴に組み込むための残注意特徴融合機構が組み込まれている。 様々なバイオメディカルおよび生物学的データセットにおいて、最先端のいくつかの手法を上回ります。
  論文  参考訳（メタデータ） (2020-02-15T09:19:41Z)

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。