論文の概要: Matcha: Multi-Stage Riemannian Flow Matching for Accurate and Physically Valid Molecular Docking

• arxiv url: http://arxiv.org/abs/2510.14586v1
• Date: Thu, 16 Oct 2025 11:44:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.834502
• Title: Matcha: Multi-Stage Riemannian Flow Matching for Accurate and Physically Valid Molecular Docking
• Title（参考訳）: Matcha: 高精度かつ物理的に有効な分子ドッキングのためのマルチステージリーマンフローマッチング
• Authors: Daria Frolova, Talgat Daulbaev, Egor Sevryugov, Sergei A. Nikolenko, Dmitry N. Ivankov, Ivan Oseledets, Marina A. Pak,
• Abstract要約: マルチステージフローマッチングと学習したスコアリングと物理的妥当性フィルタリングを組み合わせた新しい分子ドッキングパイプラインであるMatchaを紹介する。 様々なアプローチと比較して、Matchaはドッキング成功率と物理的妥当性の観点からAstexとPDBbindテストセットで優れた性能を示す。
• 参考スコア（独自算出の注目度）: 2.073256312593672
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate prediction of protein-ligand binding poses is crucial for structure-based drug design, yet existing methods struggle to balance speed, accuracy, and physical plausibility. We introduce Matcha, a novel molecular docking pipeline that combines multi-stage flow matching with learned scoring and physical validity filtering. Our approach consists of three sequential stages applied consecutively to refine docking predictions, each implemented as a flow matching model operating on appropriate geometric spaces ($\mathbb{R}^3$, $\mathrm{SO}(3)$, and $\mathrm{SO}(2)$). We enhance the prediction quality through a dedicated scoring model and apply unsupervised physical validity filters to eliminate unrealistic poses. Compared to various approaches, Matcha demonstrates superior performance on Astex and PDBbind test sets in terms of docking success rate and physical plausibility. Moreover, our method works approximately 25 times faster than modern large-scale co-folding models. The model weights and inference code to reproduce our results are available at https://github.com/LigandPro/Matcha.
• Abstract（参考訳）: タンパク質-リガンド結合の正確な予測は、構造に基づく薬物設計には不可欠であるが、既存の手法は速度、精度、物理的妥当性のバランスをとるのに苦労している。 マルチステージフローマッチングと学習したスコアリングと物理的妥当性フィルタリングを組み合わせた新しい分子ドッキングパイプラインであるMatchaを紹介する。 提案手法はドッキング予測を改良するために連続的に適用された3つの段階からなる。それぞれが適切な幾何学空間 (\mathbb{R}^3$, $\mathrm{SO}(3)$, $\mathrm{SO}(2)$) で動作するフローマッチングモデルとして実装される。 我々は、専用スコアリングモデルを用いて予測品質を高め、非現実的なポーズを排除するために教師なしの物理的妥当性フィルタを適用した。 様々なアプローチと比較して、Matchaはドッキング成功率と物理的妥当性の観点からAstexとPDBbindテストセットで優れた性能を示す。 さらに,本手法は,現代の大規模共フォルダリングモデルよりも約25倍高速に動作する。 結果の再現のためのモデルの重み付けと推論コードはhttps://github.com/LigandPro/Matcha.comで公開されている。

関連論文リスト

• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
  $mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。 提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
  論文  参考訳（メタデータ） (2023-10-10T16:39:47Z)

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。