論文の概要: Apo2Mol: 3D Molecule Generation via Dynamic Pocket-Aware Diffusion Models

• arxiv url: http://arxiv.org/abs/2511.14559v1
• Date: Tue, 18 Nov 2025 15:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.170781
• Title: Apo2Mol: 3D Molecule Generation via Dynamic Pocket-Aware Diffusion Models
• Title（参考訳）: Apo2Mol:動的ポケット対応拡散モデルによる3次元分子生成
• Authors: Xinzhe Zheng, Shiyu Jiang, Gustavo Seabra, Chenglong Li, Yanjun Li,
• Abstract要約: 本稿では3次元分子設計のための拡散型生成フレームワークであるApo2Molを提案する。 Apo2Molは、タンパク質結合ポケットのコンフォメーションの柔軟性を明示的に説明している。 高親和性を生成し、現実的なタンパク質ポケットのコンフォメーション変化を正確に捉えることで、最先端のパフォーマンスを実現することができる。
• 参考スコア（独自算出の注目度）: 10.08056210949295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models are rapidly advancing structure-based drug design, offering substantial promise for generating small molecule ligands that bind to specific protein targets. However, most current approaches assume a rigid protein binding pocket, neglecting the intrinsic flexibility of proteins and the conformational rearrangements induced by ligand binding, limiting their applicability in practical drug discovery. Here, we propose Apo2Mol, a diffusion-based generative framework for 3D molecule design that explicitly accounts for conformational flexibility in protein binding pockets. To support this, we curate a dataset of over 24,000 experimentally resolved apo-holo structure pairs from the Protein Data Bank, enabling the characterization of protein structure changes associated with ligand binding. Apo2Mol employs a full-atom hierarchical graph-based diffusion model that simultaneously generates 3D ligand molecules and their corresponding holo pocket conformations from input apo states. Empirical studies demonstrate that Apo2Mol can achieve state-of-the-art performance in generating high-affinity ligands and accurately capture realistic protein pocket conformational changes.
• Abstract（参考訳）: 深層生成モデルは構造に基づく医薬品の設計を急速に進歩させており、特定のタンパク質標的に結合する小さな分子リガンドを生産する大きな可能性を秘めている。 しかし、現在のほとんどのアプローチでは、リガンド結合によって引き起こされるタンパク質の内在的な柔軟性や構造的再構成を無視して、固いタンパク質結合ポケットを仮定し、実用的な薬物発見におけるそれらの適用性を制限している。 本稿では,3次元分子設計のための拡散型生成フレームワークであるApo2Molを提案する。 これを支援するために,タンパク質データバンクから24,000以上のアポホロ構造ペアのデータセットをキュレートし,リガンド結合に伴うタンパク質構造の変化を解析した。 Apo2Molは3次元配位子分子と対応するホロポケット配座を入力アポ状態から同時に生成するフル原子階層グラフベースの拡散モデルを用いる。 実証実験により、Apo2Molは高親和性リガンドを発生させ、現実的なタンパク質ポケットのコンフォメーション変化を正確に捉えることができることが示された。

関連論文リスト

• A 3D pocket-aware and evolutionary conserved interaction guided diffusion model for molecular optimization [7.254508464118023]
  我々は,足場装飾による分子最適化のための新しい3次元ターゲット認識拡散モデルDiffDecipを開発した。 モデル性能から,DiffDecipは,タンパク質ポケット内の高保存残基と非共有結合性を形成することにより,分子最適化におけるDiffDecよりも高い親和性を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2025-05-09T08:33:45Z)
• Integrating Protein Dynamics into Structure-Based Drug Design via Full-Atom Stochastic Flows [29.49146207945794]
  従来の構造に基づく薬物設計(SBDD)アプローチは、一般的に堅固な構造を持つ結合部位をターゲットにしている。 本稿では,タンパク質ポケットのコンフォメーション変化を考慮したSBDD生成モデルを提案する。 我々は,DynamicFlowがアポポケットやノイズポケットをホロポケットやそれに対応する3D分子に変換することを学習していることを示す。
  論文  参考訳（メタデータ） (2025-03-06T00:34:44Z)
• 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)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
  構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。 本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。 概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
  論文  参考訳（メタデータ） (2022-08-14T10:41:52Z)
• In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation [0.0]
  本稿では,関係グラフアーキテクチャ内の3次元タンパク質-リガンド接触を符号化したグラフベース生成モデリング技術を提案する。 これらのモデルは、活性特異的な分子生成を可能にする条件付き変分オートエンコーダと、ターゲットの結合ポケット内の分子相互作用の予測を提供する配置接触生成を組み合わせる。
  論文  参考訳（メタデータ） (2022-04-05T22:53:51Z)

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。