論文の概要: MSCoD: An Enhanced Bayesian Updating Framework with Multi-Scale Information Bottleneck and Cooperative Attention for Structure-Based Drug Design

• arxiv url: http://arxiv.org/abs/2509.25225v1
• Date: Wed, 24 Sep 2025 10:51:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.90857
• Title: MSCoD: An Enhanced Bayesian Updating Framework with Multi-Scale Information Bottleneck and Cooperative Attention for Structure-Based Drug Design
• Title（参考訳）: MSCoD: マルチスケールインフォメーション・ボトルネックと協調型医薬品設計のための強化ベイズ更新フレームワーク
• Authors: Long Xu, Yongcai Chen, Fengshuo Liu, Yuzhong Peng,
• Abstract要約: 提案するMSCoDは,構造に基づく薬物設計のための新しいベイズ更新に基づく生成フレームワークである。 マルチスケールインフォメーション・ボトルネック (MSIB) を開発した。 MSCoDはベンチマークデータセットの最先端メソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 2.4060611914774763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-Based Drug Design (SBDD) is a powerful strategy in computational drug discovery, utilizing three-dimensional protein structures to guide the design of molecules with improved binding affinity. However, capturing complex protein-ligand interactions across multiple scales remains challenging, as current methods often overlook the hierarchical organization and intrinsic asymmetry of these interactions. To address these limitations, we propose MSCoD, a novel Bayesian updating-based generative framework for structure-based drug design. In our MSCoD, Multi-Scale Information Bottleneck (MSIB) was developed, which enables semantic compression at multiple abstraction levels for efficient hierarchical feature extraction. Furthermore, a multi-head cooperative attention (MHCA) mechanism was developed, which employs asymmetric protein-to-ligand attention to capture diverse interaction types while addressing the dimensionality disparity between proteins and ligands. Empirical studies showed that MSCoD outperforms state-of-the-art methods on the benchmark dataset. Case studies on challenging targets such as KRAS G12D further demonstrate its applicability in real-world scenarios. The code and data underlying this article are freely available at https://github.com/xulong0826/MSCoD.
• Abstract（参考訳）: 構造ベースドラッグデザイン(Structure-Based Drug Design, SBDD)は、3次元タンパク質構造を利用して、結合親和性を改善した分子の設計を導く、計算薬物発見の強力な戦略である。 しかしながら、複数のスケールにわたる複雑なタンパク質-リガンド相互作用の捕獲は、現在の手法がこれらの相互作用の階層的な構造と本質的な非対称性を見落としているため、依然として困難である。 これらの制約に対処するため、我々は、構造に基づく薬物設計のための新しいベイズ更新ベースの生成フレームワークであるMSCoDを提案する。 マルチスケールインフォメーション・ブートネック(MSIB)は,複数の抽象レベルでのセマンティック圧縮を実現し,効率的な階層的特徴抽出を実現する。 さらに, タンパク質とリガンドの次元差に対処しつつ, 多様な相互作用型を捉えるために, 非対称なタンパク質対リガンドアテンションを用いたマルチヘッド協調アテンション(MHCA)機構を開発した。 実証研究により、MSCoDはベンチマークデータセット上で最先端の手法より優れていることが示された。 KRAS G12Dのような挑戦的なターゲットに関するケーススタディは、現実世界のシナリオでその適用性をさらに証明している。 この記事の基盤となるコードとデータはhttps://github.com/xulong0826/MSCoD.comで無償公開されている。

関連論文リスト

• A Geometric Graph-Based Deep Learning Model for Drug-Target Affinity Prediction [0.0]
  グラフ学習フレームワークに残差接続とアテンション機構を統合したディープ畳み込みニューラルネットワークDeepGGLを導入する。 マルチスケールの重み付き二部体部分グラフを活用することで、DeepGGLは複数のスケールにわたるタンパク質-リガンド複合体の微細な原子レベルの相互作用を効果的に捉えることができる。 DeepGGLは高い予測精度を維持し、構造に基づく薬物発見におけるアフィニティ予測への適応性と信頼性を強調した。
  論文  参考訳（メタデータ） (2025-09-15T14:06:39Z)
• CAME-AB: Cross-Modality Attention with Mixture-of-Experts for Antibody Binding Site Prediction [9.316793780511917]
  bfCAME-ABは、抗体結合部位の予測のための新しいクロスモダリティアテンションフレームワークである。 生の酸コード、BLOSUM置換プロファイル、事前訓練された言語モデル埋め込み、構造認識機能、生化学グラフを統合している。 これは、Precision、Recall、F1スコア、AUC-ROC、MCCなど、複数のメトリクスの強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-08T09:24:09Z)
• Unlocking Potential Binders: Multimodal Pretraining DEL-Fusion for Denoising DNA-Encoded Libraries [51.72836644350993]
  マルチモーダルプレトレーニング DEL-Fusion Model (MPDF) 我々は,異なる複合表現とそれらのテキスト記述の対比対象を適用した事前学習タスクを開発する。 本稿では, 原子, 分子, 分子レベルでの複合情報をアマルガメートする新しいDEL融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-07T17:32:21Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph [66.11279161533619]
  CBGBenchは構造ベースドラッグデザイン(SBDD)のベンチマークである 既存のメソッドを属性に基づいて分類することで、CBGBenchは様々な最先端メソッドを実装している。 我々は,これらのモデルを薬物設計に不可欠なタスクに適応させてきた。
  論文  参考訳（メタデータ） (2024-06-16T08:20:24Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Unified Embeddings of Structural and Functional Connectome via a Function-Constrained Structural Graph Variational Auto-Encoder [2.8719792727222364]
  機能的および構造的コネクトームからの情報を教師なし方式で組み込むことができる関数制約構造グラフ変分自動エンコーダを提案する。 これは、異なる主題を比較するための統一された空間座標系を確立するための、結合した低次元埋め込みにつながる。
  論文  参考訳（メタデータ） (2022-07-05T21:39:13Z)
• DeepGS: Deep Representation Learning of Graphs and Sequences for Drug-Target Binding Affinity Prediction [8.292330541203647]
  本稿では、ディープニューラルネットワークを用いて、アミノ酸やSMILES配列から局所的な化学コンテキストを抽出する、DeepGSと呼ばれる新しいエンドツーエンド学習フレームワークを提案する。 我々は提案手法を,KronRLS,Sim,DeepDTA,DeepCPIといった最先端モデルと比較するための広範な実験を行った。
  論文  参考訳（メタデータ） (2020-03-31T01:35:39Z)

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。