Fugu-MT 論文翻訳(概要): Curvature-Guided Geometric Representation for Protein-Ligand Binding Affinity Prediction

論文の概要: Curvature-Guided Geometric Representation for Protein-Ligand Binding Affinity Prediction

arxiv url: http://arxiv.org/abs/2606.14159v1
Date: Fri, 12 Jun 2026 06:33:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-15 16:00:42.777217
Title: Curvature-Guided Geometric Representation for Protein-Ligand Binding Affinity Prediction
Title（参考訳）: タンパク質-リガンド結合親和性予測のための曲率誘導幾何表現法
Authors: Shuai Li, Chuan-Xian Ren, Yuhao Li, Ziqi Huang, Yue Pan, Mingzhe Tang, Hong Yan,
Abstract要約: RicciBindは、曲率誘導階層構造学習と最適なトランスポート(OT)ベースのクロスドメインアライメントを統合した表現フレームワークである。実験の結果,RicciBindはPLAベンチマークや仮想スクリーニングタスクにおいて,優れた予測性能と一般化を実現していることがわかった。
参考スコア（独自算出の注目度）: 38.825664822163816
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Protein-ligand binding affinity (PLA) prediction is critical in drug discovery. Despite the notable advancements in machine learning-based approaches, existing methods struggle to jointly characterize local geometric organization and globally coordinated cross-molecular interactions, limiting their ability to model complex binding mechanisms. Here, we propose RicciBind, a geometric representation framework that integrates curvature-guided hierarchical structure learning with optimal transport (OT)-based cross-domain alignment to model molecular interactions. Specifically, RicciBind leverages Ricci curvature to capture local interaction tightness within molecular structures, enhancing structural awareness and organizing atomic interactions into curvature-aware hierarchical representations. An OT-based cluster matching mechanism then aligns protein and ligand clusters across heterogeneous domains under geometric constraints, enabling globally consistent correspondences and revealing higher-order interaction patterns beyond local neighborhoods. By coupling curvature-guided structure encoding with OT-driven cross-domain alignment, RicciBind effectively models complex interaction semantics and substantially improves both the accuracy and interpretability of binding affinity prediction. Extensive experiments demonstrate that RicciBind achieved superior predictive performance and generalization across PLA benchmarks and virtual screening tasks. Ablation studies further confirmed the essential role of Ricci curvature in enhancing molecular interaction representations.
Abstract（参考訳）: タンパク質リガンド結合親和性(PLA)予測は薬物発見において重要である。機械学習ベースのアプローチの顕著な進歩にもかかわらず、既存の手法は局所幾何学的組織とグローバルに協調した分子間相互作用を共同で特徴づけることに苦労し、複雑な結合機構をモデル化する能力を制限する。本稿では、曲率誘導階層構造学習と最適輸送(OT)に基づくクロスドメインアライメントを統合し、分子間相互作用をモデル化する幾何学的表現フレームワークであるRicciBindを提案する。具体的には、RicciBindはRicci曲率を利用して、分子構造内の局所的な相互作用の密着性を捉え、構造的認識を高め、原子間相互作用を曲率を意識した階層表現に整理する。 OTベースのクラスタマッチング機構は、幾何学的制約の下で不均一領域をまたいだタンパク質とリガンドクラスタを整列させ、グローバルに一貫した対応を可能にし、局所的な近傍を越えて高次相互作用パターンを明らかにする。 RicciBindは、曲率誘導構造とOT駆動のクロスドメインアライメントを結合することにより、複雑な相互作用のセマンティクスを効果的にモデル化し、結合親和性予測の精度と解釈性の両方を大幅に改善する。大規模な実験により、RicciBindはPLAベンチマークと仮想スクリーニングタスクで優れた予測性能と一般化を達成した。アブレーション研究により、分子間相互作用の表現の増強におけるリッチ曲率の重要性がさらに確認された。

関連論文リスト

Curvature-Informed Potential Energy Surface for Protein-Ligand Binding Affinity Prediction [30.613275405893265]
タンパク質-リガンド結合親和性予測のための曲率インフォームドポテンシャルエネルギー表面(CPES)グラフニューラルネットワークを提案する。 CPESは、物理インフォームドな曲率表現をモデルコンフォメーションの柔軟性に取り入れている。 CPESは予測性能を改善し、物理的解釈性を提供する。
論文参考訳（メタデータ） (2026-06-12T07:53:26Z)
Demystifying Multimodal Biomolecular Co-design With Intrinsic Geodesic Coupling [25.990662798924475]
生体分子は、配列と3次元構造の間の密接な相互作用から生じる生物学的システムにおいて中心的な役割を果たす。生体分子共設計の最近の生成モデルは、結合されたモダリティを共同でモデル化することで、この相互作用を捉えることを目的としている。既存のアプローチは主に、固定同期結合を暗黙的に強制する、限界生成プロセスの並列実行を採用する。批判的だが見過ごされた自由の度合いは、これらの限界過程がトレーニングと生成の間に時間的に結合されていることにある、と我々は主張する。
論文参考訳（メタデータ） (2026-06-01T03:25:17Z)
Hierarchical Contrastive Learning for Multi-Domain Protein-Ligand Binding [13.923026855785173]
本稿では,タンパク質-リガンド親和性を予測する自己教師型フレームワークであるHCLBindを紹介する。 HCLBindは、識別インタフェースの特徴を効果的に学習し、堅牢な不確実性推定を提供する。 PDBBindの実験は、HCLBindが識別インタフェースの特徴を効果的に学習し、堅牢な不確実性推定を提供することを示した。
論文参考訳（メタデータ） (2026-05-19T14:33:02Z)
K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。提案手法はシミュレーションと実世界の応用を通して評価する。
論文参考訳（メタデータ） (2026-05-14T13:35:44Z)
Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
GTSA-PCAは主成分分析の幾何学的拡張である。曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
論文参考訳（メタデータ） (2026-04-20T20:36:36Z)
Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
論文参考訳（メタデータ） (2025-07-22T04:35:50Z)
KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
論文参考訳（メタデータ） (2025-06-16T08:02:42Z)
Representational Alignment with Chemical Induced Fit for Molecular Relational Learning [8.210187365702119]
分子学習学習(MRL)は自然科学において、構造的特徴を抽出することによって分子対間の予測に広く応用されている。注意機構による部分構造表現の整合性は化学知識からのガイダンスを欠いている ReAlignFitは化学誘起Fit誘導誘導バイアスを導入することでMRLのサブ構造表現を動的に調整する。
論文参考訳（メタデータ） (2025-02-07T09:29:21Z)
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)
Predicting Protein-Ligand Binding Affinity via Joint Global-Local Interaction Modeling [34.18714126231236]
本稿では,タンパク質-リガンド結合親和性を予測するための新しいグローバルな相互作用フレームワークを提案する。本フレームワークは,長範囲の相互作用をグローバルに埋め込み,局所的な短範囲の相互作用を集約する。実験により、我々のGLIフレームワークは、単純なニューラルネットワークアーキテクチャと適度な計算コストで最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2022-09-18T10:17:05Z)

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。