論文の概要: GDEGAN: Gaussian Dynamic Equivariant Graph Attention Network for Ligand Binding Site Prediction

• arxiv url: http://arxiv.org/abs/2603.19817v1
• Date: Fri, 20 Mar 2026 10:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.098406
• Title: GDEGAN: Gaussian Dynamic Equivariant Graph Attention Network for Ligand Binding Site Prediction
• Title（参考訳）: GDEGAN: リガンド結合サイト予測のためのガウス動的同変グラフアテンションネットワーク
• Abstract要約: 本稿では,GDEGAN (Gaussian Equivariant Graph Attention Network) を提案する。 本機構は,各層における局所変動を学習可能ヘッド温度の適応帯域パラメータとして利用することにより,各層における近傍統計を動的に計算する。 これらの進歩は、治療標的同定のための潜在的結合部位を同定することにより、タンパク質リガンドドッキングの促進に直接応用できる。
• 参考スコア（独自算出の注目度）: 0.038233569758620044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of binding sites of a given protein, to which ligands can bind, is a critical step in structure-based computational drug discovery. Recently, Equivariant Graph Neural Networks (GNNs) have emerged as a powerful paradigm for binding site identification methods due to the large-scale availability of 3D structures of proteins via protein databases and AlphaFold predictions. The state-of-the-art equivariant GNN methods implement dot product attention, disregarding the variation in the chemical and geometric properties of the neighboring residues. To capture this variation, we propose GDEGAN (Gaussian Dynamic Equivariant Graph Attention Network), which replaces dot-product attention with adaptive kernels that recognize binding sites. The proposed attention mechanism captures variation in neighboring residues using statistics of their characteristic local feature distributions. Our mechanism dynamically computes neighborhood statistics at each layer, using local variance as an adaptive bandwidth parameter with learnable per-head temperatures, enabling each protein region to determine its own context-specific importance. GDEGAN outperforms existing methods with relative improvements of 37-66% in DCC and 7-19% DCA success rates across COACH420, HOLO4k, and PDBBind2020 datasets. These advances have direct application in accelerating protein-ligand docking by identifying potential binding sites for therapeutic target identification.
• Abstract（参考訳）: リガンドが結合できる特定のタンパク質の結合部位の正確な予測は、構造に基づく薬物発見における重要なステップである。 近年,タンパク質データベースとAlphaFold予測によるタンパク質の3D構造が大規模に利用可能であることから,同変グラフニューラルネットワーク(GNN)は,サイト同定手法の強力なパラダイムとして出現している。 最先端の同変GNN法は、隣接する残基の化学的および幾何学的性質の変化を無視してドット積の注意を実践する。 この変動を捉えるため,GDEGAN (Gaussian Dynamic Equivariant Graph Attention Network) を提案する。 提案したアテンション機構は, 特徴的局所特徴分布の統計値を用いて, 周辺残差の変動を捉える。 本機構は,各層における局所変動を適応帯域幅パラメータとして,学習可能な1頭あたり温度を用いて動的に計算し,各タンパク質領域がそれぞれのコンテキスト固有の重要性を決定できるようにする。 GDEGANは、DCCで37-66%、COACH420、HOLO4k、PDBBind2020データセットで7-19%のDCA成功率で、既存の手法よりも優れている。 これらの進歩は、治療標的同定のための潜在的結合部位を同定することにより、タンパク質リガンドドッキングの促進に直接応用できる。

関連論文リスト

• Structure-Guided Adaptive Propagation for Protein-Protein Interaction Site Prediction [6.128739346306066]
  PPIS予測のための構造誘導適応伝搬モデルであるSGAP-PPISを提案する。 その結果,SGAP-PPIS は Test_60 上での最先端手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2026-06-01T07:03:00Z)
• Edge-aware GAT-based protein binding site prediction [3.3941174310007685]
  生体分子間の結合部位のきめ細かい予測のためのエッジ対応グラフ注意ネットワーク(Edge対応GAT)モデルを提案する。 本手法は原子レベルのグラフを構築し,幾何学的記述子を含む多次元構造特徴を統合する。 本モデルでは,タンパク質結合部位予測のためのROC-AUCの0.93を達成し,いくつかの最先端手法より優れている。
  論文  参考訳（メタデータ） (2026-01-05T14:09:57Z)
• Set Transformer Architectures and Synthetic Data Generation for Flow-Guided Nanoscale Localization [13.521075124606973]
  Flow-guided Localization (FGL) は、診断上の関心事を含む人体内の空間領域の同定を可能にする。 既存のFGLソリューションは、固定トポロジや手作りの機能を備えたグラフモデルに依存しており、解剖学的変数への適応性を制限し、スケーラビリティを妨げている。 本定式化は,ナノデバイスにおける循環時間レポートを非順序集合として扱い,空間的先行時間に依存することなく,置換不変な可変長入力処理を可能にする。
  論文  参考訳（メタデータ） (2025-08-22T08:22:25Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
  化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。 我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。 提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
  論文  参考訳（メタデータ） (2025-07-04T06:12:18Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• VN-EGNN: E(3)-Equivariant Graph Neural Networks with Virtual Nodes Enhance Protein Binding Site Identification [16.343205040990075]
  仮想ノードの追加と拡張メッセージパッシング方式の適用により,E(n)-同変グラフニューラルネットワーク(EGNN)を拡張した。 提案手法は, COACH420, HOLO4K, PDBbind 2020 上の結合部位中心の位置決めにおける新しい最先端の手法である。
  論文  参考訳（メタデータ） (2024-04-10T17:50:29Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)

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。