論文の概要: CORAL: Learning Amyloid Fibril Ligand Docking with Cooperative Binding Rewards

• arxiv url: http://arxiv.org/abs/2607.17412v1
• Date: Sun, 19 Jul 2026 21:20:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.462485
• Title: CORAL: Learning Amyloid Fibril Ligand Docking with Cooperative Binding Rewards
• Title（参考訳）: コラル:アミロイド・フィブリル・リガンドドッキングと協調的バインド・リワード
• Abstract要約: アルツハイマー病やパーキンソン病などの神経変性疾患は、タンパク質のアミロイドフィブリルへの異常な凝集である。 CoRALは、ドッキングモデルをトレーニングしてリガンドのポーズを生成する強化学習フレームワークである。 既存のドッキングベースラインに対するポーズ品質と結合親和性相関が向上したことを示す。
• 参考スコア（独自算出の注目度）: 28.32607034759326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A hallmark of neurodegenerative diseases such as Alzheimer's and Parkinson's is the aberrant aggregation of proteins into amyloid fibrils, and small molecules that selectively bind to these fibrils hold promise as diagnostics, imaging probes, and therapeutics. Predicting how such ligands bind to fibril targets, however, presents two fundamental challenges. First, resolved co-crystal structures of amyloid-ligand complexes are exceptionally scarce; even with recent advances in cryo-EM only a handful have been structurally characterized, making supervised training of docking models impractical for this target class. Second, amyloid fibrils present a binding mode fundamentally different from globular proteins: ligands intercalate into longitudinal cross-$β$ grooves and stack cooperatively along the fibril axis, a geometry that existing docking models are not designed to capture. To address these challenges, we present CORAL (COopeRative Amyloid Ligand docking), a reinforcement learning framework that trains a generative docking model to produce ligand pose distributions tailored to the cross-$β$ groove geometry. Our reward explicitly incorporates cooperative ligand-ligand stacking energy alongside protein-ligand docking affinity, directly capturing the distinctive binding geometry of amyloid fibrils. We further introduce a curated evaluation set of amyloid-ligand complexes constructed from model-generated poses validated by domain experts. Experiments on both experimentally resolved structures and this evaluation set demonstrate improved pose quality and binding affinity correlation over existing docking baselines.
• Abstract（参考訳）: アルツハイマー病やパーキンソン病などの神経変性疾患は、タンパク質をアミロイドフィブリルに異常に凝集させることであり、これらのフィブリルに選択的に結合する小さな分子は診断、イメージングプローブ、治療薬として有望である。 しかしながら、そのようなリガンドがフィブリルターゲットにどのように結合するかを予測することは、2つの根本的な課題を提示している。 まず, アミロイド-リガンド錯体の共結晶構造は極めて少ないが, 近年のCryo-EMの進歩はごくわずかしか構造的に特徴付けられていない。 第2に、アミロイドフィブリルは、球状タンパク質と根本的に異なる結合モードを示す:リガンドは、縦方向のβ$溝にインターカレートし、フィブリル軸に沿って協調的にスタックを形成する。 これらの課題に対処するため、我々は、生成ドッキングモデルを訓練し、クロス・β$溝幾何学に合わせた配位子ポーズ分布を生成する強化学習フレームワークであるCORAL(CoopeRative Amyloid Ligand docking)を提案する。 我々の報酬は、タンパク質-リガンドドッキング親和性とともに協調的なリガンド-リガンド結合エネルギーを明示的に含み、アミロイドフィブリルの特異な結合構造を直接捉えている。 さらに、ドメインの専門家によって検証されたモデル生成ポーズから構築されたアミロイド-リガンド複合体のキュレートされた評価セットを紹介する。 既存のドッキングベースラインに対して, ポーズ品質と結合親和性相関が向上したことを示す。

関連論文リスト

• Co-folding model guided by structural proteomics [0.0]
  AIMS-Foldは、タンパク質構造生成モデルのための推論時誘導拡散フレームワークである。 XL-MS空間拘束とHDX-MS溶媒アクセシビリティプロファイルから導かれる物理的ポテンシャルの微分による生成的サンプリング軌道の導出を行う。 これにより、構造に基づく薬物設計のための強力で統合的な計算手法として、我々の枠組みが確立される。
  論文  参考訳（メタデータ） (2026-05-25T14:54:08Z)
• PepEDiff: Zero-Shot Peptide Binder Design via Protein Embedding Diffusion [3.9876702935151225]
  本稿では、標的受容体タンパク質配列とそのポケット残基の結合配列を設計する新規ペプチドバインダージェネレータであるPepediffを紹介する。 本手法は, 予め訓練されたタンパク質の埋め込みモデルから導かれる連続潜伏空間において, バインダー配列を直接生成することによって既存の手法から逸脱する。 その単純さにもかかわらず、ベンチマークテストやTIGITケーススタディにおいて、我々の手法は最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2026-01-19T19:07:32Z)
• HippMetric: A skeletal-representation-based framework for cross-sectional and longitudinal hippocampal substructural morphometry [22.804435583903572]
  HippMetricは、海馬下組織形態計測のための骨格表現に基づくフレームワークである。 変形可能な骨格座標系を採用し、海馬の解剖学や機能と整合している。 既存の形状モデルよりも高い精度、信頼性、および対応安定性を実現する。
  論文  参考訳（メタデータ） (2025-12-22T09:53:55Z)
• Torsion-Space Diffusion for Protein Backbone Generation with Geometric Refinement [0.0]
  新しいモデルでは、ねじれ角を識別してタンパク質のバックボーンを生成し、構築による完全な局所幾何学を保証する。 標準PDBタンパク質の実験は、100%結合長の精度を示し、構造的コンパクト性を大幅に改善した。
  論文  参考訳（メタデータ） (2025-11-24T14:51:29Z)
• AANet: Virtual Screening under Structural Uncertainty via Alignment and Aggregation [36.77170287534005]
  構造的不確実性の下で正確な仮想スクリーニングを実現するためのアライメント・アンド・アグリゲーション・フレームワークを導入する。 本手法は,新しいアポ構造のベンチマークで評価し,ブラインドアポ設定における最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-06T05:52:19Z)
• Fast and Accurate Blind Flexible Docking [79.88520988144442]
  小分子(配位子)のタンパク質標的への結合構造を予測する分子ドッキングは、薬物発見において重要な役割を果たす。 本研究では,現実的な視覚的フレキシブルドッキングシナリオを対象とした,高速かつ高精度な回帰ベースマルチタスク学習モデルであるFABFlexを提案する。
  論文  参考訳（メタデータ） (2025-02-20T07:31:13Z)
• 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)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• 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)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
  Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。 熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)

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。