論文の概要: End-to-End Reverse Screening Identifies Protein Targets of Small Molecules Using HelixFold3

• arxiv url: http://arxiv.org/abs/2601.13693v1
• Date: Tue, 20 Jan 2026 07:45:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.208763
• Title: End-to-End Reverse Screening Identifies Protein Targets of Small Molecules Using HelixFold3
• Title（参考訳）: HelixFold3を用いたエンド・ツー・エンド逆スクリーニングによる小分子のタンパク質標的の同定
• Authors: Shengjie Xu, Xianbin Ye, Mengran Zhu, Xiaonan Zhang, Shanzhuo Zhang, Xiaomin Fang,
• Abstract要約: 高精度な生体分子構造予測モデルであるHelixFold3を用いたエンド・ツー・エンドのリバース・スクリーニング手法を提案する。 従来の逆ドッキングと比較すると, スクリーニング精度が向上し, 構造忠実度, 結合位置精度, ターゲット優先度が向上した。
• 参考スコア（独自算出の注目度）: 5.391814889850861
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Identifying protein targets for small molecules, or reverse screening, is essential for understanding drug action, guiding compound repurposing, predicting off-target effects, and elucidating the molecular mechanisms of bioactive compounds. Despite its critical role, reverse screening remains challenging because accurately capturing interactions between a small molecule and structurally diverse proteins is inherently complex, and conventional step-wise workflows often propagate errors across decoupled steps such as target structure modeling, pocket identification, docking, and scoring. Here, we present an end-to-end reverse screening strategy leveraging HelixFold3, a high-accuracy biomolecular structure prediction model akin to AlphaFold3, which simultaneously models the folding of proteins from a protein library and the docking of small-molecule ligands within a unified framework. We validate this approach on a diverse and representative set of approximately one hundred small molecules. Compared with conventional reverse docking, our method improves screening accuracy and demonstrates enhanced structural fidelity, binding-site precision, and target prioritization. By systematically linking small molecules to their protein targets, this framework establishes a scalable and straightforward platform for dissecting molecular mechanisms, exploring off-target interactions, and supporting rational drug discovery.
• Abstract（参考訳）: 小分子のタンパク質標的の同定、あるいは逆スクリーニングは、薬物作用の理解、化合物の再精製の誘導、標的外効果の予測、生物活性化合物の分子機構の解明に不可欠である。 その重要な役割にもかかわらず、小さな分子と構造的に多様なタンパク質の相互作用を正確に捉えることは本質的に複雑であり、従来のステップワイズワークフローは標的構造モデリング、ポケット識別、ドッキング、スコアリングなどの分離されたステップにわたってエラーを伝播する。 本稿では,タンパク質ライブラリからのタンパク質のフォールディングと小分子リガンドのドッキングを同時にモデル化するAlphaFold3に類似した,高精度な生体分子構造予測モデルであるHelixFold3を利用したエンド・ツー・エンドのリバーススクリーニング戦略を提案する。 約100個の小さな分子からなる多種多様で代表的な集合上で、このアプローチを検証する。 従来の逆ドッキングと比較すると, スクリーニング精度が向上し, 構造忠実度, 結合位置精度, ターゲット優先度が向上した。 このフレームワークは、小さな分子を彼らのタンパク質標的に体系的にリンクすることで、分子機構を分離し、標的外相互作用を探索し、合理的な薬物発見を支援するスケーラブルで簡単なプラットフォームを確立する。

関連論文リスト

• A Generalist Cross-Domain Molecular Learning Framework for Structure-Based Drug Discovery [32.573496601865465]
  構造に基づく薬物発見(Structure-based drug discovery、SBDD)は、標的タンパク質の詳細な物理的構造を利用して新しい薬物を開発する体系的な科学的プロセスである。 生体分子の事前学習モデルの最近の進歩は、様々な生化学的応用において顕著な成功を収めている。
  論文  参考訳（メタデータ） (2025-03-06T12:04:56Z)
• Molecule Generation for Target Protein Binding with Hierarchical Consistency Diffusion Model [17.885767456439215]
  Atom-Motif Consistency Diffusion Model (AMDiff)は、分子の原子レベルのビューとモチーフレベルのビューを統合する階層的な拡散アーキテクチャである。 既存のアプローチと比較して、AMDiffは様々なタンパク質ポケットに適合するように調整された分子の生成において、優れた妥当性と新規性を示す。
  論文  参考訳（メタデータ） (2025-03-02T17:54:30Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)

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。