論文の概要: An accurate nucleic acid-small molecule docking framework via geometric deep learning with large-scale pretraining

• arxiv url: http://arxiv.org/abs/2606.05198v1
• Date: Fri, 22 May 2026 06:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.602761
• Title: An accurate nucleic acid-small molecule docking framework via geometric deep learning with large-scale pretraining
• Title（参考訳）: 大規模事前学習を用いた幾何学的深層学習による正確な核酸-小分子ドッキング機構
• Authors: Shi Li, Xujun Zhang, Mingquan Liu, Hui Zhang, Shuoying Jia, Yu Kang, Tingjun Hou, Peichen Pan,
• Abstract要約: NucleoDockは核酸小分子ドッキングのためのディープラーニングフレームワークである。 数百万ものドッキング生成合成錯体の物理誘導型大規模プレトレーニングと、キュレートされた実験共結晶構造を微調整する。 125個の核酸-配位子複合体の外部ベンチマークにおいて、ヌクレオドックは56%のトップ-1成功率を達成した。
• 参考スコア（独自算出の注目度）: 8.945556760958025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nucleic acids are increasingly recognized as therapeutic targets beyond conventional protein-centered drug discovery, yet accurate and efficient docking of small molecules to nucleic acid structures remains challenging. Physics-based docking methods often show limited accuracy and efficiency, whereas deep learning approaches are constrained by the scarcity of experimentally resolved nucleic acid-ligand complexes. Here, we present NucleoDock, a deep learning framework for nucleic acid-small molecule docking. To address data scarcity, NucleoDock combines physics-guided large-scale pretraining on millions of docking-generated synthetic complexes with fine-tuning on curated experimental co-crystal structures. It further integrates sequence- and structure-informed nucleotide representations with atomistic three-dimensional features to capture both biological context and binding-site geometry. A mixture density network-based geometric scoring head is used to model conditional interaction-distance distributions for pose ranking. On an external benchmark of 125 nucleic acid-ligand complexes, NucleoDock achieved a top-1 success rate of 56 percent at an RMSD cutoff of 2.0 Angstrom, outperforming rDock with 29 percent, while generating 100 poses in approximately 5 seconds per complex. Retrospective virtual screening on the ROBIN benchmark further showed improved early enrichment. NucleoDock represents a step toward bridging the methodological gap between protein- and nucleic acid-directed computational drug discovery.
• Abstract（参考訳）: 核酸は、従来のタンパク質中心の薬物発見以上の治療標的として認識されることが多いが、核酸構造への小さな分子のドッキングは、正確かつ効率的なものである。 物理ベースのドッキング法はしばしば精度と効率が制限されるが、深層学習法は実験的に解決された核酸-リガンド錯体の不足によって制約される。 本稿では核酸-小分子ドッキングのためのディープラーニングフレームワークであるNucleoDockを紹介する。 データ不足に対処するため、NucleoDockは何百万ものドッキング生成合成錯体の物理誘導型大規模プレトレーニングと、キュレートされた実験コクリスタル構造を微調整する。 さらに、配列および構造インフォームドヌクレオチド表現と原子論的な3次元特徴を統合し、生物学的文脈と結合部位の幾何学の両方を捉える。 混合密度ネットワークに基づく幾何スコアリングヘッドを用いて、ポーズランキングのための条件付き相互作用距離分布をモデル化する。 125個の核酸-配位子複合体の外部ベンチマークにおいて、NucleoDockは、2.0アングストロームのRMSDカットオフで56%の成功率を達成し、rDockを29%上回った。 ROBINベンチマークのふりかえりの仮想スクリーニングにより、早期の濃縮がさらに向上した。 NucleoDockは、タンパク質と核酸による計算薬の発見の間の方法論的なギャップを埋めるためのステップである。

関連論文リスト

• SigmaDock: Untwisting Molecular Docking With Fragment-Based SE(3) Diffusion [22.586455704388843]
  生成的アプローチは、物理学に基づく手法よりも速く、改善され、より多様なポーズサンプリングを約束する。 本稿では, 構造化学からの誘導バイアスを利用して, 剛体フラグメントに分解する新しい断片化手法を提案する。 SigmaDockはSE(3)拡散モデルであり,これらの剛体を結合ポケット内に再組立てることからポーズを生成する。
  論文  参考訳（メタデータ） (2025-11-06T22:37:36Z)
• Zero-field identification and control of hydrogen-related electron-nuclear spin registers in diamond [73.17247851945764]
  我々は, 近傍のNV中心における測定により, スピン欠陥の超微粒子成分と核スピン種を同定する手法を提案する。 結果は、$textitab initio$計算を使って欠陥構造を解決するためのガイドを提供する。 我々の特徴と制御ツールは、ハイブリッド電子核レジスタの欠陥ランドスケープを拡大するための枠組みを確立する。
  論文  参考訳（メタデータ） (2025-10-22T13:50:54Z)
• Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
  原子は分離違反を避けるために 最小の対距離を維持する必要がある NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。 違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
  論文  参考訳（メタデータ） (2024-09-16T08:42:46Z)
• Multi-scale Iterative Refinement towards Robust and Versatile Molecular Docking [17.28573902701018]
  分子ドッキング(英: molecular docking)は、小分子のタンパク質標的への結合コンホメーションを予測するために使われる重要な計算ツールである。 我々は、効率的な分子ドッキング用に設計された堅牢で汎用的なフレームワークであるDeltaDockを紹介する。
  論文  参考訳（メタデータ） (2023-11-30T14:09:20Z)
• Pre-Training on Large-Scale Generated Docking Conformations with HelixDock to Unlock the Potential of Protein-ligand Structure Prediction Models [42.16524616409125]
  本研究では,大規模ドッキングコンフォーメーションの事前学習により,優れた性能を有するタンパク質リガンド構造予測モデルが得られることを示す。 提案モデルであるHelixDockは,物理ベースのドッキングツールによってカプセル化された物理知識を,事前学習期間中に取得することを目的としている。
  論文  参考訳（メタデータ） (2023-10-21T05:54:26Z)
• Protein-Ligand Complex Generator & Drug Screening via Tiered Tensor Transform [18.509174420141832]
  薬物スクリーニングにおけるポーズおよび親和性評価のための多種多様なタンパク質-リガンド複合体コンホメーションを生成するアルゴリズムを開発した。 3T構造変換はシステム物理学から切り離され、他の計算科学領域で将来利用できるようになる。
  論文  参考訳（メタデータ） (2023-01-03T07:33:20Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。