論文の概要: Beyond Affinity: A Benchmark of 1D, 2D, and 3D Methods Reveals Critical Trade-offs in Structure-Based Drug Design

• arxiv url: http://arxiv.org/abs/2601.14283v1
• Date: Tue, 13 Jan 2026 16:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.067111
• Title: Beyond Affinity: A Benchmark of 1D, 2D, and 3D Methods Reveals Critical Trade-offs in Structure-Based Drug Design
• Title（参考訳）: 親和性を超えて:構造に基づく医薬品設計における重要なトレードオフを明らかにする1D, 2D, 3D手法のベンチマーク
• Authors: Kangyu Zheng, Kai Zhang, Jiale Tan, Xuehan Chen, Yingzhou Lu, Zaixi Zhang, Lichao Sun, Marinka Zitnik, Tianfan Fu, Zhiding Liang,
• Abstract要約: 現在、構造に基づく薬物設計の分野は、検索に基づくアルゴリズム、深層生成モデル、強化学習という3つの主要なアルゴリズムによって支配されている。 これらのアルゴリズムの基礎をまたいだ15のモデルの性能を評価するためのベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 41.856154493234065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Currently, the field of structure-based drug design is dominated by three main types of algorithms: search-based algorithms, deep generative models, and reinforcement learning. While existing works have typically focused on comparing models within a single algorithmic category, cross-algorithm comparisons remain scarce. In this paper, to fill the gap, we establish a benchmark to evaluate the performance of fifteen models across these different algorithmic foundations by assessing the pharmaceutical properties of the generated molecules and their docking affinities and poses with specified target proteins. We highlight the unique advantages of each algorithmic approach and offer recommendations for the design of future SBDD models. We emphasize that 1D/2D ligand-centric drug design methods can be used in SBDD by treating the docking function as a black-box oracle, which is typically neglected. Our evaluation reveals distinct patterns across model categories. 3D structure-based models excel in binding affinities but show inconsistencies in chemical validity and pose quality. 1D models demonstrate reliable performance in standard molecular metrics but rarely achieve optimal binding affinities. 2D models offer balanced performance, maintaining high chemical validity while achieving moderate binding scores. Through detailed analysis across multiple protein targets, we identify key improvement areas for each model category, providing insights for researchers to combine strengths of different approaches while addressing their limitations. All the code that are used for benchmarking is available in https://github.com/zkysfls/2025-sbdd-benchmark
• Abstract（参考訳）: 現在、構造に基づく薬物設計の分野は、検索に基づくアルゴリズム、深層生成モデル、強化学習という3つの主要なアルゴリズムによって支配されている。 既存の研究は通常、1つのアルゴリズムカテゴリ内のモデルの比較に重点を置いているが、アルゴリズム間の比較は依然として少ない。 本稿では, このギャップを埋めるために, 生成分子とそのドッキング親和性を評価し, 特定の標的タンパク質と反応することで, それらのアルゴリズム基盤をまたいだ15種類のモデルの性能を評価するベンチマークを構築した。 各アルゴリズムアプローチの独特な利点を強調し、将来のSBDDモデルの設計を推奨します。 ドッキング機能をブラックボックスオラクルとして扱うことで,SBDDにおいて1D/2Dリガンド中心の薬物設計手法が利用可能であることを強調した。 評価では, モデルカテゴリーにまたがる異なるパターンを明らかにした。 3次元構造モデルでは結合親和性は優れているが, 化学的妥当性に矛盾がみられ, クオリティが向上する。 1Dモデルは標準分子量で信頼性の高い性能を示すが、最適結合親和性はめったに得られない。 2Dモデルはバランスの取れた性能を提供し、高い化学的妥当性を維持しつつ、適度なバインドスコアを達成している。 複数のタンパク質標的をまたいだ詳細な分析により、各モデルカテゴリにおける重要な改善領域を特定し、研究者がそれぞれの制限に対処しながら異なるアプローチの強みを組み合わせるための洞察を提供する。 ベンチマークに使用されるすべてのコードはhttps://github.com/zkysfls/2025-sbdd-benchmarkで確認できる。

関連論文リスト

• Comparing Model-agnostic Feature Selection Methods through Relative Efficiency [8.870380386952993]
  本稿では,線形モデル,非線形加法モデル,単層ニューラルネットワークを模倣する単一インデックスモデルという3つのモデル設定の下で理論的比較を行う。 実験結果と合わせて, GCM関連手法が適切な規則性条件下でのLOCOよりも優れていたことが示唆された。 我々のシミュレーションと実データ分析には、ニューラルネットワークや勾配木などの機械学習手法が広く使われている。
  論文  参考訳（メタデータ） (2025-08-19T20:55:43Z)
• AI-Assisted Colonoscopy: Polyp Detection and Segmentation using Foundation Models [0.10037949839020764]
  大腸内視鏡検査では、Deep Learningモデルの助けを借りて、欠落したポリープの80%を検出できた。 この課題に対処できるアルゴリズムの探索において、ファンデーションモデルは有望な候補として浮上する。 ゼロショットまたは少数ショットの学習機能により、広範囲の微調整なしに、新しいデータやタスクへの一般化が容易になる。 ポリプセグメンテーションの基礎モデルを総合的に評価し, 検出と分解の両面から評価した。
  論文  参考訳（メタデータ） (2025-03-31T14:20:53Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• Structure-based Drug Design Benchmark: Do 3D Methods Really Dominate? [26.854392279443086]
  構造に基づく薬物設計におけるアルゴリズム間の比較は少ない。 1D/2D法は,標的タンパク質の3D構造を明示的に用いた3D法と比較して,競合性能が高いことを示す。
  論文  参考訳（メタデータ） (2024-06-04T15:37:14Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Reinforced Genetic Algorithm for Structure-based Drug Design [38.134929249388406]
  SBDD(Structure-based drug design)は、疾患関連タンパク質(ターゲット)に結合する分子を見つけることにより、薬物候補を見つけることを目的とした薬物設計である。 本稿では,ニューラルネットワークを用いた遺伝的アルゴリズム(Reinforced Genetic Algorithm, RGA)を提案する。
  論文  参考訳（メタデータ） (2022-11-28T22:59:46Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)

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。