論文の概要: SigmaDock: Untwisting Molecular Docking With Fragment-Based SE(3) Diffusion

• arxiv url: http://arxiv.org/abs/2511.04854v1
• Date: Thu, 06 Nov 2025 22:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.609203
• Title: SigmaDock: Untwisting Molecular Docking With Fragment-Based SE(3) Diffusion
• Title（参考訳）: SigmaDock: フラグメントベースのSE(3)拡散による分子ドッキング
• Authors: Alvaro Prat, Leo Zhang, Charlotte M. Deane, Yee Whye Teh, Garrett M. Morris,
• Abstract要約: 生成的アプローチは、物理学に基づく手法よりも速く、改善され、より多様なポーズサンプリングを約束する。 本稿では, 構造化学からの誘導バイアスを利用して, 剛体フラグメントに分解する新しい断片化手法を提案する。 SigmaDockはSE(3)拡散モデルであり,これらの剛体を結合ポケット内に再組立てることからポーズを生成する。
• 参考スコア（独自算出の注目度）: 22.586455704388843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Determining the binding pose of a ligand to a protein, known as molecular docking, is a fundamental task in drug discovery. Generative approaches promise faster, improved, and more diverse pose sampling than physics-based methods, but are often hindered by chemically implausible outputs, poor generalisability, and high computational cost. To address these challenges, we introduce a novel fragmentation scheme, leveraging inductive biases from structural chemistry, to decompose ligands into rigid-body fragments. Building on this decomposition, we present SigmaDock, an SE(3) Riemannian diffusion model that generates poses by learning to reassemble these rigid bodies within the binding pocket. By operating at the level of fragments in SE(3), SigmaDock exploits well-established geometric priors while avoiding overly complex diffusion processes and unstable training dynamics. Experimentally, we show SigmaDock achieves state-of-the-art performance, reaching Top-1 success rates (RMSD<2 & PB-valid) above 79.9% on the PoseBusters set, compared to 12.7-30.8% reported by recent deep learning approaches, whilst demonstrating consistent generalisation to unseen proteins. SigmaDock is the first deep learning approach to surpass classical physics-based docking under the PB train-test split, marking a significant leap forward in the reliability and feasibility of deep learning for molecular modelling.
• Abstract（参考訳）: 分子ドッキングとして知られるリガンドとタンパク質との結合のポーズを決定することは、薬物発見の基本的な課題である。 生成的アプローチは、物理学に基づく手法よりも速く、改善され、より多様なポーズサンプリングを約束するが、しばしば化学的に予測不可能な出力、一般化可能性の低下、高い計算コストによって妨げられる。 これらの課題に対処するために、構造化学からの誘導バイアスを利用して、リガンドを剛体フラグメントに分解する新しい断片化手法を導入する。 この分解に基づいてSigmaDock, SE(3) リーマン拡散モデルを示し、これらの剛体を結合ポケット内に再組立てることからポーズを生成する。 SE(3)におけるフラグメントのレベルでの操作により、SigmaDockは、過度に複雑な拡散過程と不安定なトレーニングダイナミクスを回避しつつ、確立された幾何的先行を活用できる。 実験により、SigmaDockは最先端のパフォーマンスを達成し、PoseBustersセットの79.9%以上、最近のディープラーニングアプローチで報告された12.7-30.8%に対して、RMSD<2とPB-validのTop-1成功率(RMSD<2とPB-valid)に達した。 SigmaDockはPBトレインテストの分割の下で古典物理学ベースのドッキングを克服する最初のディープラーニングアプローチであり、分子モデリングのためのディープラーニングの信頼性と実現可能性に大きな進歩をもたらした。

関連論文リスト

• Reimagining Target-Aware Molecular Generation through Retrieval-Enhanced Aligned Diffusion [22.204642926984526]
  Retrieval-Augmented GenerationとSE(3)-同変拡散モデルとを融合した最初のREADが導入された。 CBGBenchでは非常に競争力があり、最先端のジェネレーティブモデルやネイティブな足場を超越している。
  論文  参考訳（メタデータ） (2025-06-17T13:09:11Z)
• PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking [74.76447568426276]
  PoseXは、セルフドッキングとクロスドッキングの両方を評価するためのオープンソースのベンチマークである。 23のドッキング法を3つの方法論カテゴリに組み込んだ。 我々は,コンフォメーションエネルギーを最小化し,結合ポーズを洗練するために,後処理の緩和法を開発した。
  論文  参考訳（メタデータ） (2025-05-03T05:35:37Z)
• 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)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• 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)
• Multi-scale Iterative Refinement towards Robust and Versatile Molecular Docking [17.28573902701018]
  分子ドッキング(英: molecular docking)は、小分子のタンパク質標的への結合コンホメーションを予測するために使われる重要な計算ツールである。 我々は、効率的な分子ドッキング用に設計された堅牢で汎用的なフレームワークであるDeltaDockを紹介する。
  論文  参考訳（メタデータ） (2023-11-30T14:09:20Z)
• Pre-Training on Large-Scale Generated Docking Conformations with HelixDock to Unlock the Potential of Protein-ligand Structure Prediction Models [42.16524616409125]
  本研究では,大規模ドッキングコンフォーメーションの事前学習により,優れた性能を有するタンパク質リガンド構造予測モデルが得られることを示す。 提案モデルであるHelixDockは,物理ベースのドッキングツールによってカプセル化された物理知識を,事前学習期間中に取得することを目的としている。
  論文  参考訳（メタデータ） (2023-10-21T05:54:26Z)
• DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking [28.225704750892795]
  タンパク質への小さな分子リガンドの結合構造を予測することは、薬物設計にとって重要である。 近年, ドッキングを回帰問題として扱う深層学習法は, 従来の検索手法に比べて実行時間が少なくなっている。 我々は、分子ドッキングを生成的モデリング問題とし、非ユークリッド多様体上のリガンドポーズの拡散生成モデルであるDiffDockを開発した。
  論文  参考訳（メタデータ） (2022-10-04T17:38:14Z)

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。