Fugu-MT 論文翻訳(概要): TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations

論文の概要: TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations

arxiv url: http://arxiv.org/abs/2602.07735v1
Date: Sun, 08 Feb 2026 00:01:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:24.781984
Title: TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations
Title（参考訳）: TerraBind: 粗い構造表現による高速かつ正確な結合親和性予測
Authors: Matteo Rossi, Ryan Pederson, Miles Wang-Henderson, Ben Kaufman, Edward C. Williams, Carl Underkoffler, Owen Lewis Howell, Adrian Layer, Stephan Thaler, Narbe Mardirossian, John Anthony Parkhill,
Abstract要約: 本稿では,タンパク質リガンド構造と結合親和性予測の基礎モデルTerraBindを提案する。最新の手法よりも26倍高速な推論を実現し、親和性予測精度を$sim$20%向上させる。
参考スコア（独自算出の注目度）: 0.7891868017562221
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present TerraBind, a foundation model for protein-ligand structure and binding affinity prediction that achieves 26-fold faster inference than state-of-the-art methods while improving affinity prediction accuracy by $\sim$20\%. Current deep learning approaches to structure-based drug design rely on expensive all-atom diffusion to generate 3D coordinates, creating inference bottlenecks that render large-scale compound screening computationally intractable. We challenge this paradigm with a critical hypothesis: full all-atom resolution is unnecessary for accurate small molecule pose and binding affinity prediction. TerraBind tests this hypothesis through a coarse pocket-level representation (protein C$_β$ atoms and ligand heavy atoms only) within a multimodal architecture combining COATI-3 molecular encodings and ESM-2 protein embeddings that learns rich structural representations, which are used in a diffusion-free optimization module for pose generation and a binding affinity likelihood prediction module. On structure prediction benchmarks (FoldBench, PoseBusters, Runs N' Poses), TerraBind matches diffusion-based baselines in ligand pose accuracy. Crucially, TerraBind outperforms Boltz-2 by $\sim$20\% in Pearson correlation for binding affinity prediction on both a public benchmark (CASP16) and a diverse proprietary dataset (18 biochemical/cell assays). We show that the affinity prediction module also provides well-calibrated affinity uncertainty estimates, addressing a critical gap in reliable compound prioritization for drug discovery. Furthermore, this module enables a continual learning framework and a hedged batch selection strategy that, in simulated drug discovery cycles, achieves 6$\times$ greater affinity improvement of selected molecules over greedy-based approaches.
Abstract（参考訳）: 本研究では,タンパク質リガンド構造と結合親和性予測の基礎モデルであるTerraBindについて,最新技術よりも26倍高速な推論を実現するとともに,親和性予測精度を$\sim$20\%向上させる。構造に基づく薬物設計への現在のディープラーニングアプローチは、3D座標を生成するために高価な全原子拡散に依存しており、大規模な複合スクリーニングを計算的に切り離すための推論ボトルネックを生み出している。完全全原子分解能は、正確な小さな分子のポーズと結合親和性予測には不要である。 TerraBindはこの仮説を、COATI-3分子エンコーディングとリッチな構造的表現を学習するESM-2タンパク質埋め込みを組み合わせたマルチモーダルアーキテクチャ内の粗いポケットレベルの表現(タンパク質C$_β$原子とリガンド重原子のみ)を通じて検証し、ポーズ生成のための拡散自由最適化モジュールと結合親和性予測モジュールで使用される。構造予測ベンチマーク(FoldBench、PoseBusters、Runs N' Poses)では、TerraBindは拡散ベースのベースラインをリガンドの精度で一致させる。重要なことに、TerraBindは、公開ベンチマーク(CASP16)と多様なプロプライエタリなデータセット(生化学的/細胞アッセイ)の両方でのバインド親和性予測において、Pearson相関の$\sim$20\%でBoltz-2を上回っている。また,アフィニティ予測モジュールは薬剤発見の信頼性の高い化合物の優先順位付けにおいて重要なギャップを解消し,良好なアフィニティ不確実性推定を提供することを示した。さらに、このモジュールは、薬物発見サイクルをシミュレーションした連続的な学習フレームワークと、ヘッジドバッチ選択戦略を可能にし、greedyベースのアプローチよりも選択された分子の親和性の向上を6$\times$で達成する。

論文の概要: TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations

関連論文リスト