論文の概要: MagicDock: Toward Docking-oriented De Novo Ligand Design via Gradient Inversion

• arxiv url: http://arxiv.org/abs/2510.09020v1
• Date: Fri, 10 Oct 2025 05:45:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.192338
• Title: MagicDock: Toward Docking-oriented De Novo Ligand Design via Gradient Inversion
• Title（参考訳）: MagicDock: グラディエントインバージョンによるドッキング指向のDe Novoリガンド設計を目指して
• Authors: Zekai Chen, Xunkai Li, Sirui Zhang, Henan Sun, Jia Li, Zhenjun Li, Bing Zhou, Rong-Hua Li, Guoren Wang,
• Abstract要約: MagicDockはプログレッシブパイプラインと差別化可能なサーフェスモデリングを基盤とした、前方に見えるフレームワークである。 まず、受容体の一般的なドッキング知識をバックボーンモデルに組み込む。 その後、ドッキング知識をバインド予測により逆勾配流としてインスタンス化し、デノボ生成を反復的に導く。
• 参考スコア（独自算出の注目度）: 39.57670166909937
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: De novo ligand design is a fundamental task that seeks to generate protein or molecule candidates that can effectively dock with protein receptors and achieve strong binding affinity entirely from scratch. It holds paramount significance for a wide spectrum of biomedical applications. However, most existing studies are constrained by the \textbf{Pseudo De Novo}, \textbf{Limited Docking Modeling}, and \textbf{Inflexible Ligand Type}. To address these issues, we propose MagicDock, a forward-looking framework grounded in the progressive pipeline and differentiable surface modeling. (1) We adopt a well-designed gradient inversion framework. To begin with, general docking knowledge of receptors and ligands is incorporated into the backbone model. Subsequently, the docking knowledge is instantiated as reverse gradient flows by binding prediction, which iteratively guide the de novo generation of ligands. (2) We emphasize differentiable surface modeling in the docking process, leveraging learnable 3D point-cloud representations to precisely capture binding details, thereby ensuring that the generated ligands preserve docking validity through direct and interpretable spatial fingerprints. (3) We introduce customized designs for different ligand types and integrate them into a unified gradient inversion framework with flexible triggers, thereby ensuring broad applicability. Moreover, we provide rigorous theoretical guarantees for each component of MagicDock. Extensive experiments across 9 scenarios demonstrate that MagicDock achieves average improvements of 27.1\% and 11.7\% over SOTA baselines specialized for protein or molecule ligand design, respectively.
• Abstract（参考訳）: デノボリガンドの設計は、タンパク質受容体と効果的にドッキングし、スクラッチから完全に強い結合親和性を達成できるタンパク質や分子の候補を生成するための基本的な課題である。 幅広いバイオメディカル応用において重要な役割を担っている。 しかしながら、既存の研究のほとんどは、 \textbf{Pseudo De Novo}、 \textbf{Limited Docking Modeling}、 \textbf{Inflexible Ligand Type} によって制約されている。 これらの問題に対処するために、プログレッシブパイプラインと微分可能な表面モデリングを基盤とした前方向けフレームワークであるMagicDockを提案する。 1) よく設計された勾配逆転フレームワークを採用する。 まず、受容体とリガンドの一般的なドッキング知識がバックボーンモデルに組み込まれている。 その後、ドッキング知識は、リガンドのデノボ生成を反復的に導く結合予測により逆勾配流としてインスタンス化される。 2) ドッキング過程において, 学習可能な3次元点雲表現を活用し, 結合の詳細を正確に把握し, 直接的・解釈可能な空間指紋を用いてドッキングの有効性を保った。 (3) 異なるリガンドタイプ向けにカスタマイズされた設計を導入し、フレキシブルトリガを備えた統一的な勾配反転フレームワークに統合することにより、幅広い適用性を確保する。 さらに,MagicDockの各コンポーネントに対して厳密な理論的保証を提供する。 9つのシナリオにわたる大規模な実験では、マジックドックはタンパク質や分子リガンドの設計に特化したSOTAベースラインよりも27.1\%と11.7\%の平均的な改善を達成している。

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)
• FlowDock: Geometric Flow Matching for Generative Protein-Ligand Docking and Affinity Prediction [3.8366697175402225]
  FlowDockは、非有界(アポ)構造をそれらの有界(ホロ)構造にマッピングすることを学ぶ最初の深部幾何学的生成モデルである。 FlowDockは、予測された構造的信頼度スコアと、生成したタンパク質-リガンド複合体構造とのアフィニティ値を提供する。
  論文  参考訳（メタデータ） (2024-12-14T20:54:37Z)
• 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)
• 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)
• ETDock: A Novel Equivariant Transformer for Protein-Ligand Docking [36.14826783009814]
  従来のドッキング法は、タンパク質と薬物のドッキングを予測するために、スコアリング機能とディープラーニングに依存している。 本稿では,タンパク質リガンドドッキングポーズ予測のためのトランスフォーマーニューラルネットワークを提案する。 実データを用いた実験結果から,本モデルが最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-12T06:23:12Z)

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。