論文の概要: ShallowBench: Benchmarking Generative Drug Design Models on Shallow-Pocket Targets

• arxiv url: http://arxiv.org/abs/2606.06717v1
• Date: Thu, 04 Jun 2026 21:06:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.447525
• Title: ShallowBench: Benchmarking Generative Drug Design Models on Shallow-Pocket Targets
• Title（参考訳）: ShallowBench:Shallow-Pocketターゲットにおける創薬デザインモデルのベンチマーク
• Authors: Saket Reddy, Shiwei Liu,
• Abstract要約: 生成型AIモデルは、KRASやMYCといった歴史的"不可避な"オンコロジーターゲットのような、低ポケットビリティの目標に挑戦する上で効果的なサンプリングに苦労する。 このギャップに対処するために、CrossDocked 2020から抽出された5,780の浅いポケットターゲットのベンチマークであるShallowBenchを紹介します。
• 参考スコア（独自算出の注目度）: 15.816576171349295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While generative AI models have demonstrated remarkable success in structure-based drug design, they predominantly rely on deep binding pockets and struggle to sample effective ligands for challenging low-pocketability targets, such as the historically "undruggable" oncology targets KRAS and MYC. To address this gap, we introduce ShallowBench, a strictly curated benchmark of 5,780 shallow-pocket targets extracted from CrossDocked2020. By computing the difference between an Alpha Shape "lid" volume and the underlying protein atom voxel volume, we successfully isolated targets with low concavity while ensuring sufficient surface area for binding. Evaluating various state-of-the-art generative models reveals weaker predicted binding affinity on these low-concavity interfaces. ShallowBench therefore provides a rigorous benchmark for generative biology models and highlights the necessity of new architectural innovations or loss functions capable of navigating these challenging targets.
• Abstract（参考訳）: 生成型AIモデルは構造ベースのドラッグデザインにおいて顕著な成功を収めているが、それらは主に深い結合ポケットに依存しており、KRASやMYCを標的とした歴史的"不可解な"オンコロジーのような低ポケットビリティターゲットに挑戦する効果的なリガンドをサンプリングするのに苦労している。 このギャップに対処するため,CrossDocked2020から抽出した5,780個の浅いポケットターゲットの厳密なベンチマークであるShallowBenchを紹介した。 アルファ形状の「固い」体積とタンパク質原子のボクセル体積の差を計算することにより、結合に十分な表面積を確保しつつ、低凹部でターゲットを分離することに成功した。 様々な最先端生成モデルを評価すると、これらの低空洞界面におけるより弱い予測的結合親和性を示す。 したがって、ShallowBenchは、生成生物学モデルのための厳密なベンチマークを提供し、これらの挑戦対象をナビゲートできる新しいアーキテクチャの革新や損失関数の必要性を強調している。

関連論文リスト

• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• BoKDiff: Best-of-K Diffusion Alignment for Target-Specific 3D Molecule Generation [0.0]
  構造に基づく薬物設計(SBDD)は、生体分子標的の3次元構造を利用して、新しい治療薬の開発を導く。 幾何モデルやディープラーニングを含む生成モデルの最近の進歩は、リガンド生成の最適化を約束している。 我々は,多目的最適化とBest-of-Kアライメント手法を組み合わせることで,リガンド生成を向上させる新しいフレームワークであるBoKDiffを提案する。
  論文  参考訳（メタデータ） (2025-01-26T18:29:11Z)
• Rectified Flow For Structure Based Drug Design [26.08743098507441]
  深層生成モデルは、構造に基づく薬物設計において大きな成功を収めた。 FlowSBDDの新しいフレームワークは、特定のターゲットを最適化するために、フレキシブルに追加の損失を組み込むことができます。 提案手法は,高親和性分子の生成における最先端性能を実現することができる。
  論文  参考訳（メタデータ） (2024-12-02T06:26:25Z)
• Scoreformer: A Surrogate Model For Large-Scale Prediction of Docking Scores [0.0]
  分子ドッキングスコアを正確に予測するために設計された新しいグラフトランスフォーマモデルであるScoreFormerを提案する。 ScoreFormerはドッキングスコア予測の競争性能を達成し、既存のモデルに比べて1.65倍の推論時間削減を実現している。
  論文  参考訳（メタデータ） (2024-06-13T17:31:02Z)
• On Evaluating Adversarial Robustness of Volumetric Medical Segmentation Models [59.45628259925441]
  体積医学セグメンテーションモデルは、臓器および腫瘍ベースのセグメンテーションタスクにおいて大きな成功を収めた。 敵の攻撃に対するその脆弱性はほとんど解明されていない。 このことは、既存のモデルの堅牢性を調べることの重要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-06-12T17:59:42Z)
• PILOT: Equivariant diffusion for pocket conditioned de novo ligand generation with multi-objective guidance via importance sampling [8.619610909783441]
  等変拡散モデル PILOT を用いて,$textitde novo$ で 3次元リガンド構造を生成するためのシリカ内アプローチを提案する。 その多目的的重要度サンプリング戦略は、モデルが望ましい特性を示す分子に向けられるよう設計されている。 我々はPILOTを用いて、Kinodata-3Dデータセットから未確認タンパク質ポケットの新しいメトリクスを生成する。
  論文  参考訳（メタデータ） (2024-05-23T17:58:28Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• MF-CLIP: Leveraging CLIP as Surrogate Models for No-box Adversarial Attacks [65.86360607693457]
  敵に事前の知識がないノンボックス攻撃は、実際的な関連性にもかかわらず、比較的過小評価されている。 本研究は,大規模ビジョン・ランゲージ・モデル(VLM)をノンボックス・アタックの実行のための代理モデルとして活用するための体系的な研究である。 理論的および実証的な分析により,バニラCLIPを直接サロゲートモデルとして適用するための識別能力の不足に起因するno-boxアタックの実行に重要な制限があることが判明した。 MF-CLIP(MF-CLIP: MF-CLIP)はCLIPのサロゲートモデルとしての有効性を高める新しいフレームワークである。
  論文  参考訳（メタデータ） (2023-07-13T08:10:48Z)

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。