論文の概要: FuseDiff: Symmetry-Preserving Joint Diffusion for Dual-Target Structure-Based Drug Design

• arxiv url: http://arxiv.org/abs/2603.05567v1
• Date: Thu, 05 Mar 2026 14:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.198236
• Title: FuseDiff: Symmetry-Preserving Joint Diffusion for Dual-Target Structure-Based Drug Design
• Title（参考訳）: FuseDiff: 二重ターゲット構造に基づく医薬品設計のための対称性保存関節拡散
• Authors: Jianliang Wu, Anjie Qiao, Zhen Wang, Zhewei Wei, Sheng Chen,
• Abstract要約: FuseDiffは、リガンド分子グラフと両ポケットに条件付き2つのポケット特異的結合ポーズを共同生成するエンドツーエンド拡散モデルである。 ベンチマークと実世界のデュアルターゲットシステムの実験は、FuseDiffが最先端のドッキング性能を達成することを示している。
• 参考スコア（独自算出の注目度）: 31.311120889405714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dual-target structure-based drug design aims to generate a single ligand together with two pocket-specific binding poses, each compatible with a corresponding target pocket, enabling polypharmacological therapies with improved efficacy and reduced resistance. Existing approaches typically rely on staged pipelines, which either decouple the two poses via conditional-independence assumptions or enforce overly rigid correlations, and therefore fail to jointly generate two target-specific binding modes. To address this, we propose FuseDiff, an end-to-end diffusion model that jointly generates a ligand molecular graph and two pocket-specific binding poses conditioned on both pockets. FuseDiff features a message-passing backbone with Dual-target Local Context Fusion (DLCF), which fuses each ligand atom's local context from both pockets to enable expressive joint modeling while preserving the desired symmetries. Together with explicit bond generation, FuseDiff enforces topological consistency across the two poses under a shared graph while allowing target-specific geometric adaptation in each pocket. To support principled training and evaluation, we derive a dual-target training set and use an independent held-out test set for evaluation. Experiments on the benchmark and a real-world dual-target system show that FuseDiff achieves state-of-the-art docking performance and enables the first systematic assessment of dual-target pose quality prior to docking-based pose search.
• Abstract（参考訳）: デュアルターゲット構造に基づく薬物設計は、2つのポケット特異的な結合ポーズと共に1つのリガンドを生成することを目的としており、それぞれが対応するターゲットポケットと互換性があり、有効性と抵抗性を向上した多薬理学療法を可能にする。 既存のアプローチは一般にステージ化されたパイプラインに依存しており、2つのポーズを条件付き独立性仮定によって分離するか、過度に厳密な相関を強制するかのいずれかであり、したがって2つのターゲット固有のバインディングモードを共同で生成することができない。 これを解決するために,両ポケットに条件付き2つのポケット特異的結合ポーズと,配位子分子グラフを共同生成するエンドツーエンド拡散モデルFuseDiffを提案する。 FuseDiffはDual-target Local Context Fusion (DLCF)によるメッセージパッシングバックボーンを備えており、各リガンド原子のローカルコンテキストを両方のポケットから融合させ、所望の対称性を維持しながら表現力のある関節モデリングを可能にする。 明示的な結合生成とともに、FuseDiffは2つのポーズ間の位相的一貫性を共有グラフの下で実施し、各ポケットにターゲット固有の幾何学的適応を可能にする。 原則的トレーニングと評価を支援するため,両目標トレーニングセットを導出し,独立したホールドアウトテストセットを用いて評価を行う。 ベンチマークと実世界のデュアルターゲットシステムの実験により、FuseDiffはドッキングの最先端性能を達成し、ドッキングベースのポーズサーチに先立って、初めて二重ターゲットのポーズ品質を体系的に評価できることを示した。

関連論文リスト

• AdaFusion: Prompt-Guided Inference with Adaptive Fusion of Pathology Foundation Models [49.550545038402184]
  本稿では,新しいプロンプト誘導推論フレームワークであるAdaFusionを提案する。 本手法は,多様なモデルからタイルレベルの特徴を圧縮・整列する。 AdaFusionは、分類タスクと回帰タスクの両方にわたって、個々のPFMを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:09:31Z)
• PoseGRAF: Geometric-Reinforced Adaptive Fusion for Monocular 3D Human Pose Estimation [5.223657684081615]
  既存の単眼的な3次元ポーズ推定法は, 骨格の内在方向と角方向の相関性を見越しながら, 関節位置の特徴に依存している。 これらの課題に対処するためのPoseGRAFフレームワークを提案する。 Human3.6M と MPI-INF-3DHP のデータセットによる実験結果から,本手法が最先端の手法を超えることが示された。
  論文  参考訳（メタデータ） (2025-06-17T14:59:56Z)
• Learning to Align and Refine: A Foundation-to-Diffusion Framework for Occlusion-Robust Two-Hand Reconstruction [50.952228546326516]
  単眼画像からの両手再建は、複雑でダイナミックな手の位置が原因で、永続的な課題に直面している。 既存のアプローチはそのようなアライメントの問題に悩まされ、しばしば不整合と侵入の成果物をもたらす。 本稿では,視覚基礎モデルからの2次元事前ガイダンスを正確に整合させる2段階のファンデーション・ツー・ディフュージョンフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-22T14:42:27Z)
• Reprogramming Pretrained Target-Specific Diffusion Models for Dual-Target Drug Design [21.666641467687214]
  生成タスクとして二重ターゲットのドラッグデザインを定式化し、シナジスティックな薬物の組み合わせに基づいて、潜在的なターゲットペアの新たなデータセットをキュレートする。 本稿では,単一ターゲットタンパク質-リガンド複合体対で訓練された拡散モデルを用いた二重ターゲット薬物の設計を提案する。 我々のアルゴリズムは、単一目標事前学習で得られた知識をゼロショット方式で二重目標シナリオに転送することができる。
  論文  参考訳（メタデータ） (2024-10-28T02:48:31Z)
• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• InterHandGen: Two-Hand Interaction Generation via Cascaded Reverse Diffusion [53.90516061351706]
  両手インタラクションに先立って生成を学習する新しいフレームワークであるInterHandGenを提案する。 サンプリングにアンチペネティフィケーションと合成フリーガイダンスを組み合わせることで、プラウシブルな生成を可能にする。 本手法は, 妥当性と多様性の観点から, ベースライン生成モデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-03-26T06:35:55Z)
• Robust Training of Federated Models with Extremely Label Deficiency [84.00832527512148]
  フェデレーション半教師付き学習(FSSL)は、ラベル不足を伴う分散データを用いて機械学習モデルを協調訓練するための強力なパラダイムとして登場した。 我々は,ラベル付きおよびラベルなしデータの異なる視点から洞察を提供することにより相互指導を強化するために,ツインサイトと呼ばれる新しいツインモデルパラダイムを提案する。 4つのベンチマークデータセットに関する包括的な実験は、Twin-sightが様々な実験環境において最先端の手法を著しく上回っていることを示す重要な証拠となる。
  論文  参考訳（メタデータ） (2024-02-22T10:19:34Z)
• Hybrid Relation Guided Set Matching for Few-shot Action Recognition [51.3308583226322]
  本稿では,2つの鍵成分を組み込んだHybrid Relation Guided Set Matching (HyRSM) 手法を提案する。 ハイブリッドリレーションモジュールの目的は、エピソード内の関連関係とクロスビデオの完全活用により、タスク固有の埋め込みを学習することである。 我々は,HyRSMを6つの挑戦的ベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-04-28T11:43:41Z)
• Relation-Based Associative Joint Location for Human Pose Estimation in Videos [5.237054164442403]
  我々は,関節間の連想関係を明確かつ自動でモデル化する軽量でプラグアンドプレイな関節関係抽出器 (JRE) を設計する。 JREは2つの関節の関係を柔軟に学習し、人間のポーズの豊かな空間構成を学習する。 そして、時間的意味連続性モデリングと組み合わせて、ビデオに基づく人間のポーズ推定のための関係に基づくPose Semantics Transfer Network (RPSTN)を提案する。
  論文  参考訳（メタデータ） (2021-07-08T04:05:23Z)

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。