論文の概要: Benchmarking Single-Pose Docking, Consensus Rescoring, and Supervised ML on the LIT-PCBA Library: A Critical Evaluation of DiffDock, AutoDock-GPU, GNINA, and DiffDock-NMDN

• arxiv url: http://arxiv.org/abs/2605.01681v2
• Date: Tue, 05 May 2026 02:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 14:45:21.245971
• Title: Benchmarking Single-Pose Docking, Consensus Rescoring, and Supervised ML on the LIT-PCBA Library: A Critical Evaluation of DiffDock, AutoDock-GPU, GNINA, and DiffDock-NMDN
• Title（参考訳）: LIT-PCBAライブラリ上でのシングルパスドッキング,コンセンサス再構成,監視MLのベンチマーク:DiffDock, AutoDock-GPU, GNINA, DiffDock-NMDNの批判的評価
• Authors: Youssef Abo-Dahab, Xiaoiang Xiang, Joanne Chun, Liang Zhao,
• Abstract要約: LIT-PCBAライブラリの大規模評価を行う(目標15、目標578,295)。 ポーズ生成にはAutoDock-GPUとDiffDockを比較し,次にGNINAとNMDNで再構成する。 GNINAによるAutoDock-GPUポーズの再現は、EF1%が2.14である最強の単一手法として登場した。 ドッキング方式がターゲットをまたいで優位に立つことはなく、厳格に検証された費用対効果と教師付き再ランク付けの組み合わせは、現在、仮想スクリーニングにおいて最も実用的な価値を提供していると結論付けている。
• 参考スコア（独自算出の注目度）: 5.044804163732797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Virtual screening performance depends heavily on the chosen docking and scoring methods. Recent AI-based tools such as DiffDock and NMDN have reported strong benchmark results, but their practical utility on realistic, experimentally-derived datasets remains unclear. Here we perform a large-scale evaluation on the LIT-PCBA library (15 targets, 578,295 ligand-target pairs with experimentally confirmed actives and inactives). We compare AutoDock-GPU and DiffDock for pose generation, followed by rescoring with GNINA and NMDN. We further evaluate rank-based consensus strategies and supervised machine learning models trained on docking features. GNINA rescoring of AutoDock-GPU poses (AutoDock-GNINA) emerged as the strongest single method with a median EF1% of 2.14. DiffDock-based approaches underperformed relative to AutoDock-GNINA, particularly on challenging targets such as OPRK1. Carefully designed consensus ranking improved robustness but did not surpass the best single scorer. Supervised ML re-ranking delivered the largest gains, achieving a median EF1% of 4.49 (+110% over AutoDock-GNINA). Our results highlight that even the best classical+ML hybrid workflows provide only modest early enrichment on realistic benchmarks. We conclude that no single docking method dominates across targets and that rigorously validated, cost-effective combinations with supervised re-ranking currently offer the most practical value for virtual screening.
• Abstract（参考訳）: 仮想スクリーニングのパフォーマンスは、選択されたドッキングとスコアリング方法に大きく依存する。 最近のAIベースのツールであるDiffDockやNMDNは、強力なベンチマーク結果を報告している。 ここでは,LIT-PCBAライブラリの大規模評価を行う(15のターゲット,578,295のリガンドターゲット対,実験的に確認された活性,不活性)。 ポーズ生成にはAutoDock-GPUとDiffDockを比較し,次にGNINAとNMDNで再構成する。 さらに、ランクベースのコンセンサス戦略を評価し、ドッキング機能を訓練した機械学習モデルを指導する。 GNINAはAutoDock-GPUのポーズ(AutoDock-GNINA)を、中央値EF1%が2.14である最強のシングルメソッドとして登場した。 DiffDockベースのアプローチはAutoDock-GNINAと比較してパフォーマンスが低かった。 慎重にデザインされたコンセンサスランキングはロバスト性を改善したが、最高のシングルスコアを超えなかった。 スーパービジョンのMLは4.49のEF1%(AutoDock-GNINAの+110%)を達成した。 我々の結果は、最高の古典的+MLハイブリッドワークフローでさえ、現実的なベンチマークにおいて、わずかに初期的なリッチ化しか提供していないことを強調している。 ドッキング方式がターゲットをまたいで優位に立つことはなく、厳格に検証された費用対効果と教師付き再ランク付けの組み合わせは、現在、仮想スクリーニングにおいて最も実用的な価値を提供していると結論付けている。

関連論文リスト

• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• MC-GNNAS-Dock: Multi-criteria GNN-based Algorithm Selection for Molecular Docking [5.313085467302315]
  本研究は,MC-GNNAS-Dockの3つの改良点について述べる。 第一に、多基準評価は、結合位置精度(RMSD)とPoseBustersの妥当性チェックを統合し、より厳密な評価を提供する。 第2に、残留接続を含むアーキテクチャの洗練により、予測ロバスト性が強化される。 第3に、ランク認識損失関数を組み込んでランク学習を高度化する。
  論文  参考訳（メタデータ） (2025-09-30T15:08:41Z)
• PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking [74.76447568426276]
  PoseXは、セルフドッキングとクロスドッキングの両方を評価するためのオープンソースのベンチマークである。 23のドッキング法を3つの方法論カテゴリに組み込んだ。 我々は,コンフォメーションエネルギーを最小化し,結合ポーズを洗練するために,後処理の緩和法を開発した。
  論文  参考訳（メタデータ） (2025-05-03T05:35:37Z)
• Deep-Learning Based Docking Methods: Fair Comparisons to Conventional Docking Workflows [0.0]
  従来のドッキング手法に対して,Surflex-Dock法を用いた完全自動ワークフローを用いて公正なベースラインを生成する。 Angstroms RMSDのSurflex-Dock成功率はDiffDockよりもはるかに高かった。 DiffDockは、近隣の訓練を受けていない患者と比較して、近隣の患者に対して40パーセントの差を示した。
  論文  参考訳（メタデータ） (2024-12-03T22:47:47Z)
• DSDP: A Blind Docking Strategy Accelerated by GPUs [6.221048348194304]
  我々は,従来の学習手法と機械学習手法の両方の利点を生かし,ブラインドドッキングの性能を向上させるために,Deep Site and Docking Pose (DSDP) を提案する。 DSDPは、2つのトップ1成功率 (RMSD 2 AA) に達する。 DUD-EデータセットとEquiBind, TankBind, DiffDockで使用される時間分割PDBBindデータセットのパフォーマンスも有効である。
  論文  参考訳（メタデータ） (2023-03-16T07:00:21Z)
• Efficient Person Search: An Anchor-Free Approach [86.45858994806471]
  パーソンサーチは、クエリーの人物を、リアルで切り刻まれていない画像から、同時にローカライズし、識別することを目的としている。 この目標を達成するために、最先端モデルは通常、Faster R-CNNのような2段階検出器にre-idブランチを追加する。 本研究では,この課題に対処するためのアンカーフリーな手法を提案する。
  論文  参考訳（メタデータ） (2021-09-01T07:01:33Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down Distillation [153.56211546576978]
  本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。 このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。 実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
  論文  参考訳（メタデータ） (2020-08-27T13:04:27Z)
• Fully Convolutional Online Tracking [47.78513247048846]
  我々は、分類と回帰の両方のためにFCOTと呼ばれる完全な畳み込みオンライン追跡フレームワークを提示する。 我々の重要な貢献は、ターゲットフィルタの重みをオンラインサンプルで初期化するオンライン回帰モデル生成器(RMG)の導入である。 RMGのユニークな設計のおかげで、我々のFCOTは時間次元に沿った目標変動の処理に有効であるばかりでなく、より正確な結果を生み出すことができる。
  論文  参考訳（メタデータ） (2020-04-15T14:21:57Z)

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。