論文の概要: Contrastive Geometric Learning Unlocks Unified Structure- and Ligand-Based Drug Design

• arxiv url: http://arxiv.org/abs/2601.09693v1
• Date: Wed, 14 Jan 2026 18:45:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.50434
• Title: Contrastive Geometric Learning Unlocks Unified Structure- and Ligand-Based Drug Design
• Title（参考訳）: 対照的な幾何学的学習は、統一された構造とリガンドに基づく薬物設計をアンロックする
• Authors: Lisa Schneckenreiter, Sohvi Luukkonen, Lukas Friedrich, Daniel Kuhn, Günter Klambauer,
• Abstract要約: 統一医薬品設計のためのコントラスト幾何学学習(ConGLUDe)について紹介する。 ConGLUDeは予測された構造とリガンドベースのトレーニングを統合する。 仮想スクリーニングと標的漁業をサポートし、タンパク質-リガンド複合体と大規模生物活性データで共同で訓練されている。
• 参考スコア（独自算出の注目度）: 8.578932742190862
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Structure-based and ligand-based computational drug design have traditionally relied on disjoint data sources and modeling assumptions, limiting their joint use at scale. In this work, we introduce Contrastive Geometric Learning for Unified Computational Drug Design (ConGLUDe), a single contrastive geometric model that unifies structure- and ligand-based training. ConGLUDe couples a geometric protein encoder that produces whole-protein representations and implicit embeddings of predicted binding sites with a fast ligand encoder, removing the need for pre-defined pockets. By aligning ligands with both global protein representations and multiple candidate binding sites through contrastive learning, ConGLUDe supports ligand-conditioned pocket prediction in addition to virtual screening and target fishing, while being trained jointly on protein-ligand complexes and large-scale bioactivity data. Across diverse benchmarks, ConGLUDe achieves state-of-the-art zero-shot virtual screening performance in settings where no binding pocket information is provided as input, substantially outperforms existing methods on a challenging target fishing task, and demonstrates competitive ligand-conditioned pocket selection. These results highlight the advantages of unified structure-ligand training and position ConGLUDe as a step toward general-purpose foundation models for drug discovery.
• Abstract（参考訳）: 構造に基づく、リガンドに基づく計算薬の設計は、伝統的に解離したデータソースとモデリングの前提に頼り、大規模な共同使用を制限してきた。 本研究では,Contrastive Geometric Learning for Unified Computational Drug Design (ConGLUDe)を紹介する。 ConGLUDeは、高速なリガンドエンコーダで予測される結合部位のタンパク質全体の表現と暗黙の埋め込みを生成する幾何学的タンパク質エンコーダを結合し、事前に定義されたポケットの必要性を取り除く。 対照的な学習を通じて、リガンドをグローバルなタンパク質表現と複数の候補結合部位に整合させることにより、ConGLUDeは、仮想スクリーニングと標的漁に加えて、リガンド条件付きポケット予測をサポートし、タンパク質-リガンド複合体と大規模生物活性データで共同で訓練される。 多様なベンチマークにおいて、ConGLUDeは、バインドポケット情報を入力として提供しない設定で最先端のゼロショット仮想スクリーニング性能を達成し、挑戦的な目標漁作業において既存の手法を大幅に上回り、競争力のあるリガンド条件のポケット選択を示す。 これらの結果は、統一的な構造リガンドトレーニングの利点を強調し、医薬品発見のための汎用基盤モデルに向けたステップとしてConGLUDeを位置づけた。

関連論文リスト

• Knowledge Graphs as Structured Memory for Embedding Spaces: From Training Clusters to Explainable Inference [3.2945446636945963]
  Graph Memory(GM)は、組み込みベースの推論を領域レベルのプロトタイプよりもコンパクトでリレーショナルなメモリで強化する構造化された非パラメトリックフレームワークである。 信頼性と関係構造を明示的にモデル化することにより、GMは非パラメトリック学習における局所的な証拠とグローバルな一貫性の間に原則化された橋渡しを提供する。
  論文  参考訳（メタデータ） (2025-11-18T23:02:59Z)
• Structure-Aware Contrastive Learning with Fine-Grained Binding Representations for Drug Discovery [3.1716746406651457]
  この研究は、構造的先駆体をタンパク質表現に統合する配列に基づく薬物-標的相互作用フレームワークを導入する。 このモデルはHumanおよびBioSNAPデータセットの最先端のパフォーマンスを実現し、BindingDBと競合する。
  論文  参考訳（メタデータ） (2025-09-18T09:38:46Z)
• A Geometric Graph-Based Deep Learning Model for Drug-Target Affinity Prediction [0.0]
  グラフ学習フレームワークに残差接続とアテンション機構を統合したディープ畳み込みニューラルネットワークDeepGGLを導入する。 マルチスケールの重み付き二部体部分グラフを活用することで、DeepGGLは複数のスケールにわたるタンパク質-リガンド複合体の微細な原子レベルの相互作用を効果的に捉えることができる。 DeepGGLは高い予測精度を維持し、構造に基づく薬物発見におけるアフィニティ予測への適応性と信頼性を強調した。
  論文  参考訳（メタデータ） (2025-09-15T14:06:39Z)
• CAME-AB: Cross-Modality Attention with Mixture-of-Experts for Antibody Binding Site Prediction [9.316793780511917]
  bfCAME-ABは、抗体結合部位の予測のための新しいクロスモダリティアテンションフレームワークである。 生の酸コード、BLOSUM置換プロファイル、事前訓練された言語モデル埋め込み、構造認識機能、生化学グラフを統合している。 これは、Precision、Recall、F1スコア、AUC-ROC、MCCなど、複数のメトリクスの強いベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-09-08T09:24:09Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Learning Clustering-based Prototypes for Compositional Zero-shot Learning [56.57299428499455]
  ClusProは、コンポジションゼロショット学習のための堅牢なクラスタリングベースのプロトタイプマイニングフレームワークである。 それは、多様化されたプロトタイプの集合を通じて、プリミティブの概念的境界を定義する。 ClusProは、学習可能なパラメータを追加することなく、非パラメトリックな方法でプロトタイプクラスタリングを効率的に実行する。
  論文  参考訳（メタデータ） (2025-02-10T14:20:01Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)

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。