論文の概要: MC-GNNAS-Dock: Multi-criteria GNN-based Algorithm Selection for Molecular Docking

• arxiv url: http://arxiv.org/abs/2509.26377v1
• Date: Tue, 30 Sep 2025 15:08:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.180043
• Title: MC-GNNAS-Dock: Multi-criteria GNN-based Algorithm Selection for Molecular Docking
• Title（参考訳）: MC-GNNAS-Dock:分子ドッキングのためのマルチ基準GNNベースのアルゴリズム選択
• Authors: Siyuan Cao, Hongxuan Wu, Jiabao Brad Wang, Yiliang Yuan, Mustafa Misir,
• Abstract要約: 本研究は,MC-GNNAS-Dockの3つの改良点について述べる。 第一に、多基準評価は、結合位置精度(RMSD)とPoseBustersの妥当性チェックを統合し、より厳密な評価を提供する。 第2に、残留接続を含むアーキテクチャの洗練により、予測ロバスト性が強化される。 第3に、ランク認識損失関数を組み込んでランク学習を高度化する。
• 参考スコア（独自算出の注目度）: 5.313085467302315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular docking is a core tool in drug discovery for predicting ligand-target interactions. Despite the availability of diverse search-based and machine learning approaches, no single docking algorithm consistently dominates, as performance varies by context. To overcome this challenge, algorithm selection frameworks such as GNNAS-Dock, built on graph neural networks, have been proposed. This study introduces an enhanced system, MC-GNNAS-Dock, with three key advances. First, a multi-criteria evaluation integrates binding-pose accuracy (RMSD) with validity checks from PoseBusters, offering a more rigorous assessment. Second, architectural refinements by inclusion of residual connections strengthen predictive robustness. Third, rank-aware loss functions are incorporated to sharpen rank learning. Extensive experiments are performed on a curated dataset containing approximately 3200 protein-ligand complexes from PDBBind. MC-GNNAS-Dock demonstrates consistently superior performance, achieving up to 5.4% (3.4%) gains under composite criteria of RMSD below 1\AA{} (2\AA{}) with PoseBuster-validity compared to the single best solver (SBS) Uni-Mol Docking V2.
• Abstract（参考訳）: 分子ドッキングは、リガンドとターゲットの相互作用を予測するための薬物発見のコアツールである。 多様な検索ベースおよび機械学習アプローチが利用可能であるにもかかわらず、コンテキストによってパフォーマンスが変化するため、単一のドッキングアルゴリズムが一貫して支配的ではない。 この課題を解決するために、グラフニューラルネットワーク上に構築されたGNNAS-Dockのようなアルゴリズム選択フレームワークが提案されている。 本研究は,MC-GNNAS-Dockの3つの改良点について述べる。 第一に、多基準評価は、結合位置精度(RMSD)とPoseBustersの妥当性チェックを統合し、より厳密な評価を提供する。 第2に、残留接続を含むアーキテクチャの洗練により、予測ロバスト性が強化される。 第3に、ランク認識損失関数を組み込んでランク学習を高度化する。 PDBBindから約3200個のタンパク質-リガンド錯体を含む培養データセット上で、広範囲な実験を行った。 MC-GNNAS-Dockは一貫して優れた性能を示しており、1\AA{} (2\AA{})以下のRMSDの合成基準で最大5.4%(3.4%)のゲインを達成し、シングルベストソルバ(SBS)のUni-Mol Docking V2に比べてPoseBuster-validityを達成している。

関連論文リスト

• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• GNNAS-Dock: Budget Aware Algorithm Selection with Graph Neural Networks for Molecular Docking [0.0]
  本稿では,新しいグラフネットワーク(GNN)を用いた分子ドッキングのための自動アルゴリズム選択システムであるGNNASDockを紹介する。 GNNは、状況とタンパク質の両方の複雑な構造データを処理できる。 これらは、異なる条件下での様々なドッキングアルゴリズムの性能を予測するために、固有のグラフのような特性の恩恵を受ける。
  論文  参考訳（メタデータ） (2024-11-19T16:01:54Z)
• DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
  我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。 弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。 我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
  論文  参考訳（メタデータ） (2024-03-14T02:11:38Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• SyNDock: N Rigid Protein Docking via Learnable Group Synchronization [38.91751238804233]
  SyNDockは、正確な多量体を数秒で迅速に組み立てる自動化フレームワークである。 SyNDockは、グローバルトランスフォーメーションを学習する問題として、多量体タンパク質ドッキングを定式化している。 性能は4.5%向上し、速度は100万倍に向上した。
  論文  参考訳（メタデータ） (2023-05-23T08:57:18Z)
• GCoNet+: A Stronger Group Collaborative Co-Salient Object Detector [156.43671738038657]
  本稿では,GCoNet+と呼ばれる新しいグループ協調学習ネットワークを提案する。 GCoNet+は自然界における共存対象を効果的かつ効率的に識別することができる。
  論文  参考訳（メタデータ） (2022-05-30T23:49:19Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)

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。