論文の概要: Beyond SBDD: Geometric Deep Learning in Polypharmacology and Multi-target Drug Design

• arxiv url: http://arxiv.org/abs/2607.20550v1
• Date: Tue, 14 Jul 2026 23:29:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.158216
• Title: Beyond SBDD: Geometric Deep Learning in Polypharmacology and Multi-target Drug Design
• Title（参考訳）: SBDDを超えて: 多薬理学と多目的医薬品設計における幾何学的深層学習
• Abstract要約: 「一薬一標的」パラダイムは、がんや神経変性疾患などの多因子疾患の治療には不十分である。 幾何学的深層学習(GDL)はこれらの限界を克服するための強力な積分的アプローチである。
• 参考スコア（独自算出の注目度）: 13.645409798359053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The traditional "one drug, one target" paradigm of structure-based drug design (SBDD) frequently proves inadequate for treating multifactorial diseases such as cancer and neurodegenerative disorders, owing to compensatory signaling pathways and the emergence of drug resistance. While polypharmacology offers a synergistic therapeutic strategy, the rational design of ligands capable of simultaneously satisfying the geometric constraints imposed by multiple targets remains a major computational bottleneck. This review positions geometric deep learning (GDL) as a powerful integrative approach to overcome these limitations. We systematically survey GDL architectures ranging from invariant graph neural networks to SE(3)-equivariant diffusion models that harness non-Euclidean molecular data to capture intrinsic three-dimensional (3D) structural interdependencies. We critically analyze GDL applications across three core dimensions, including the characterization of shared binding pockets via geometric embeddings, multi-target bioactivity prediction through heterogeneous graph fusion, and de novo generation of dual-target ligands. Particular emphasis is placed on emerging structure-conditioned generative algorithms that integrate diffusion models with reinforcement learning to autonomously resolve complex geometric conflicts between competing binding sites. Furthermore, we evaluate the pivotal role of multimodal omics integration and specialized geometric benchmarking infrastructures in validating these models. By synthesizing these methodological advances, this review elucidates the paradigm shift in drug discovery from serendipitous exploration to rational, structure-driven polypharmacological molecular engineering, thereby providing a clear, structured guide for navigating the complexities of next-generation therapeutics.
• Abstract（参考訳）: 構造に基づく薬物設計(SBDD)の伝統的な「1つの薬物、1つの標的」パラダイムは、補償シグナル伝達経路と薬剤耐性の出現により、がんや神経変性疾患などの多因子疾患の治療に不十分であることがしばしば証明される。 多薬理学は相乗的治療戦略を提供するが、複数のターゲットによって課される幾何的制約を同時に満たせるリガンドの合理的設計は依然として大きな計算ボトルネックである。 本稿では,幾何学的深層学習(GDL)をこれらの限界を克服するための強力な積分的アプローチとして位置づける。 我々は,非ユークリッド分子データを用いた不変グラフニューラルネットワークからSE(3)等変拡散モデルまで,GDLアーキテクチャを体系的に調査し,本質的な3次元構造的相互依存性を捉える。 我々は,GDLアプリケーションを幾何学的埋め込みによる共有結合ポケットのキャラクタリゼーション,異種グラフ融合による多ターゲット生物活動予測,二重ターゲットリガンドのデノボ生成など,3つのコア次元にわたって解析する。 特に、拡散モデルと強化学習を統合して、競合する結合部位間の複雑な幾何学的衝突を自律的に解決する、構造条件付き生成アルゴリズムの開発に重点を置いている。 さらに、これらのモデルの検証において、マルチモーダル・オミクス統合と特別な幾何ベンチマーク・インフラストラクチャーが果たす重要な役割について評価する。 これらの方法の進歩を合成することにより、医薬品発見のパラダイムシフトをセレンディピティース探索から合理的な構造駆動型多薬理学的分子工学へと解明し、次世代治療の複雑さをナビゲートするための明確な構造的ガイドを提供する。

関連論文リスト

• MRI-based Deep Radiomic Phenotyping of Neuromuscular Disorders: A Topology-driven Characterization [0.37341173401157257]
  本研究は,5つの主要アーキテクチャ領域にまたがるオリジナル機能に基づく自動放射能表現型フレームワークを提案する。 異種筋内脂肪変性の複雑な3次元構造を客観的、形態学的に解釈可能なバイオマーカーにマッピングする。
  論文  参考訳（メタデータ） (2026-08-25T11:30:17Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
  分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。 この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。 ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
  論文  参考訳（メタデータ） (2026-04-17T15:16:33Z)
• Graph Vector Field: A Unified Framework for Multimodal Health Risk Assessment from Heterogeneous Wearable and Environmental Data Streams [0.7018547803286913]
  グラフベクトル場(Graph Vector Field, GVF)は、健康リスクを時間変化した単純錯体上のベクトル値場としてモデル化するフレームワークである。 リスクはベクトル値コチェーンとして表現され、その進化はホッジ・ラプラシアンや離散外部計算演算子とパラメータ化される。 本稿では, 数学的基礎, 建築設計, 形式的保証について検討し, 実証検証が進行中の課題である。
  論文  参考訳（メタデータ） (2026-03-30T07:26:44Z)
• Disentangling multispecific antibody function with graph neural networks [1.9732999783524041]
  多種特異的抗体は、複数の抗体を同時に作用させることにより、形質転換的治療電位を提供する。 それらの効果は複雑な分子構造によって支配される。 非線形相互作用をキャプチャする合成機能ランドスケープを作成するための生成法を提案する。 このモデルは,合成景観に基づいて訓練され,複雑な機能的特性を再カプセル化し,伝達学習によって高い予測精度を達成できることを実証する。
  論文  参考訳（メタデータ） (2026-01-30T17:36:19Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• SPD Learning for Covariance-Based Neuroimaging Analysis: Perspectives, Methods, and Challenges [41.955864444491965]
  ニューロイメージングは、モダリティを越えた接続パターンと機能的アーキテクチャを定量化することによって、脳活動の特徴付けのための重要なフレームワークを提供する。 現代の機械学習は、これらのデータセットを通してニューラル処理機構の理解を大幅に進歩させてきた。 本稿では、共分散に基づくニューロイメージングデータに対する機械学習アプローチに焦点を当て、チャネル間関係を符号化したフルランク条件下での対称正定値行列について述べる。
  論文  参考訳（メタデータ） (2025-04-26T10:05:04Z)
• Deep Geometric Learning with Monotonicity Constraints for Alzheimer's Disease Progression [8.923442084735075]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、進行性および不可逆性認知症に先行する破壊的な神経変性疾患である。 深層学習に基づくデータバリアビリティと空間性に関するアプローチは、本質的に幾何学的性質についてはまだ検討されていない。 本研究では,縦型MRIバイオマーカーと認知スコアをモデル化した新しい幾何学的学習手法を提案する。
  論文  参考訳（メタデータ） (2023-10-05T07:14:34Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。