論文の概要: PLANET v2.0: A comprehensive Protein-Ligand Affinity Prediction Model Based on Mixture Density Network

• arxiv url: http://arxiv.org/abs/2601.07415v1
• Date: Mon, 12 Jan 2026 10:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.347789
• Title: PLANET v2.0: A comprehensive Protein-Ligand Affinity Prediction Model Based on Mixture Density Network
• Title（参考訳）: PLANET v2.0: 混合密度ネットワークに基づくタンパク質-リガンド親和性予測モデル
• Authors: Haotian Gao, Xiangying Zhang, Jingyuan Li, Xinchong Chen, Haojie Wang, Yifei Qi, Renxiao Wang,
• Abstract要約: 我々はPLANET(Protein-Ligand Affinity Prediction NETwork)と呼ばれるグラフニューラルネットワークモデルを開発した。 本研究では,PLANET v2.0をアップグレード版として提案した。 CASF-2016ベンチマークと同様に、PLANET v2.0は優れたスコアリングパワー、ランキングパワー、ドッキングパワーを示す。
• 参考スコア（独自算出の注目度）: 7.7284907856788765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug discovery represents a time-consuming and financially intensive process, and virtual screening can accelerate it. Scoring functions, as one of the tools guiding virtual screening, have their precision closely tied to screening efficiency. In our previous study, we developed a graph neural network model called PLANET (Protein-Ligand Affinity prediction NETwork), but it suffers from the defect in representing protein-ligand contact maps. Incorrect binding modes inevitably lead to poor affinity predictions, so accurate prediction of the protein-ligand contact map is desired to improve PLANET. In this study, we have proposed PLANET v2.0 as an upgraded version. The model is trained via multi-objective training strategy and incorporates the Mixture Density Network to predict binding modes. Except for the probability density distributions of non-covalent interactions, we innovatively employ another Gaussian mixture model to describe the relationship between distance and energy of each interaction pair and predict protein-ligand affinity like calculating the mathematical expectation. As on the CASF-2016 benchmark, PLANET v2.0 demonstrates excellent scoring power, ranking power, and docking power. The screening power of PLANET v2.0 gets notably improved compared to PLANET and Glide SP and it demonstrates robust validation on a commercial ultra-large-scale dataset. Given its efficiency and accuracy, PLANET v2.0 can hopefully become one of the practical tools for virtual screening workflows. PLANET v2.0 is freely available at https://www.pdbbind-plus.org.cn/planetv2.
• Abstract（参考訳）: 薬物発見は、時間がかかり、財政的に集中的なプロセスであり、仮想スクリーニングはそれを加速することができる。 仮想スクリーニングを導くツールの1つとして、スコーリング関数は、スクリーニング効率に密接に結びついている。 前報ではPLANET(Protein-Ligand Affinity Prediction NETwork)と呼ばれるグラフニューラルネットワークモデルを開発したが,タンパク質-リガンド接触マップの表現に欠陥があった。 不正確な結合モードは必然的に親和性の予測に繋がるので、PLANETを改善するためにタンパク質リガンド接触マップの正確な予測が望まれる。 本研究では,PLANET v2.0をアップグレード版として提案した。 このモデルは多目的学習戦略によって訓練され、結合モードを予測するためにMixture Density Networkが組み込まれている。 非共有相互作用の確率密度分布を除いた別のガウス混合モデルを用いて、相互作用ペア間の距離とエネルギーの関係を記述し、数学的期待値の計算のようなタンパク質-リガンド親和性を予測する。 CASF-2016ベンチマークと同様に、PLANET v2.0は優れたスコアリングパワー、ランキングパワー、ドッキングパワーを示す。 PLANET v2.0のスクリーニング能力はPLANETやGlide SPと比べて著しく改善され、商用の超大規模データセット上で堅牢な検証が示されている。 その効率性と正確性を考えると、PLANET v2.0が仮想スクリーニングワークフローの実用的なツールになることを期待している。 PLANET v2.0はhttps://www.pdbbind-plus.org.cn/planetv2.comで利用可能である。

関連論文リスト

• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• PIGNet2: A Versatile Deep Learning-based Protein-Ligand Interaction Prediction Model for Binding Affinity Scoring and Virtual Screening [0.0]
  タンパク質-リガンド相互作用の予測(PLI)は、薬物発見において重要な役割を果たす。 結合親和性を正確に評価し、効率的な仮想スクリーニングを行う汎用モデルの開発は依然として課題である。 本稿では、物理インフォームドグラフニューラルネットワークと組み合わせて、新しいデータ拡張戦略を導入することにより、実現可能なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-07-03T14:46:49Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for Highly Accurate Protein-Ligand Binding Affinity Prediction [0.0]
  本稿では,3次元畳み込みニューラルネットワークと2つのグラフ畳み込みニューラルネットワークからなる新しいディープラーニングアーキテクチャを提案する。 HAC-NetはPDBbind v.2016コアセットの最先端結果を取得する。 我々は,このモデルを,構造に基づく生体分子特性予測に関連する幅広い教師付き学習問題に拡張できると考えている。
  論文  参考訳（メタデータ） (2022-12-23T16:14:53Z)
• Improved Protein-ligand Binding Affinity Prediction with Structure-Based Deep Fusion Inference [3.761791311908692]
  正確なタンパク質-リガンド結合親和性を予測することは、薬物発見において重要である。 深層畳み込みとグラフニューラルネットワークに基づくアプローチの最近の進歩により、モデルの性能は入力データ表現に依存する。 結合親和性予測を改善するため、2つのニューラルネットワークモデルの異なる特徴表現の恩恵を受けるための融合モデルを提案する。
  論文  参考訳（メタデータ） (2020-05-17T22:26:27Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。