論文の概要: Curvature-Informed Potential Energy Surface for Protein-Ligand Binding Affinity Prediction

• arxiv url: http://arxiv.org/abs/2606.14217v1
• Date: Fri, 12 Jun 2026 07:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.810221
• Title: Curvature-Informed Potential Energy Surface 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インフォームドポテンシャルエネルギー表面
• Authors: Peng-Fei Sun, Chuan-Xian Ren, Hong Yan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 30.613275405893265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of protein-ligand binding affinity is essential for structure-based drug discovery. Recent geometric deep learning methods have achieved promising performance by representing protein-ligand complexes as three-dimensional graphs. However, most existing approaches mainly rely on static interaction geometry from a single bound conformation, while neglecting molecular flexibility and binding-induced conformational changes. To address this limitation, we propose a curvature-informed potential energy surface (CPES) graph neural network for protein-ligand binding affinity prediction, which incorporates physics-informed curvature representations to model conformational flexibility. CPES first derives curvature spectral descriptors from the Hessian of the potential energy surface evaluated at equilibrium configurations, whose eigenvalues define the local principal curvatures of the potential energy surface. It then uses spectral cross-attention to compare the unbound ligand and protein with the bound complex, thereby capturing binding-induced changes in conformational dynamics. In parallel, hierarchical protein-ligand interaction representations are learned from static structural features through geometry-aware message passing, soft clustering, and bidirectional cross-attention. Finally, CPES fuses the curvature-informed dynamic representations with static interaction representations for affinity regression. Extensive evaluations on multiple benchmark datasets demonstrate that CPES achieves improved predictive performance and offers physical interpretability.
• Abstract（参考訳）: タンパク質-リガンド結合親和性の正確な予測は、構造に基づく薬物発見に不可欠である。 近年の幾何学的深層学習法は,タンパク質-リガンド複合体を三次元グラフとして表現することで,有望な性能を実現している。 しかし、既存のほとんどのアプローチは、分子の柔軟性と結合によって引き起こされる共形変化を無視しながら、単一の有界配座からの静的相互作用幾何学に依存している。 この制限に対処するために,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はまず、平衡配置で評価されたポテンシャルエネルギー表面のヘシアンから曲率スペクトル記述子を導出し、その固有値はポテンシャルエネルギー表面の局所主曲率を定義する。 スペクトル交差アテンションを用いて、非結合リガンドとタンパク質を結合複合体と比較し、したがって共形力学における結合誘起変化を捉える。 平行して、階層的なタンパク質-リガンド相互作用の表現は、幾何学的メッセージパッシング、ソフトクラスタリング、双方向のクロスアテンションを通じて静的な構造的特徴から学習される。 最後に、CPESは、アフィニティ回帰のための静的相互作用表現と曲率インフォームド動的表現を融合する。 複数のベンチマークデータセットに対する大規模な評価は、CPESが予測性能を改善し、物理的解釈可能性を提供することを示す。

関連論文リスト

• Curvature-Guided Geometric Representation for Protein-Ligand Binding Affinity Prediction [38.825664822163816]
  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。
  論文  参考訳（メタデータ） (2026-06-12T06:33:55Z)
• From Snapshots to Symphonies: The Evolution of Protein Prediction from Static Structures to Generative Dynamics and Multimodal Interactions [0.8880611506199769]
  レビューでは、5つの相互接続された次元にわたるAI駆動タンパク質科学のパラダイムシフトを体系的に検証している。 データ分散バイアス、機械的解釈可能性の制限、幾何学的メトリクスと生物物理学的現実の切り離しなど、現在のボトルネックを批判的に分析する。 この手法は、人工知能が構造解析ツールから普遍的なシミュレータへ移行し、生命の動的言語を理解し、最終的に書き換えることができることを示す。
  論文  参考訳（メタデータ） (2026-03-19T05:25:17Z)
• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• Adaptive Particle-Based Shape Modeling for Anatomical Surface Correspondence [3.743399165184124]
  粒子ベース形状モデリング(英: Particle-based shape modeling、PSM)は、解剖学的コホートにまたがる形状の変動を自動的に定量化する手法である。 近年の進歩は、解剖学的構造の複雑な幾何学的性質をよりよく捉えるために、自監督的な信号として暗黙の放射基底関数表現を取り入れている。 本稿では,一貫した粒子配置を維持しながら表面適応性を高めるための2つのメカニズムを提案する。
  論文  参考訳（メタデータ） (2025-07-10T02:19:10Z)
• 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)
• SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
  タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。 伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。 この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
  論文  参考訳（メタデータ） (2024-07-10T08:40:07Z)
• Physics-inspired Equivariant Descriptors of Non-bonded Interactions [0.0]
  本稿では,多種多様なLR相互作用を一貫した方法で処理できる長距離同変(LODE)フレームワークの拡張について述べる。 我々は、よりシンプルで効率的な実装を可能にするマルチポール拡張を用いて、これらを直接物理的に解釈する。
  論文  参考訳（メタデータ） (2023-08-25T07:04:16Z)
• 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)

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。