論文の概要: Adapting Boltz-2 with limited experimental activity data improves early enrichment in virtual screening

• arxiv url: http://arxiv.org/abs/2609.24302v1
• Date: Mon, 21 Sep 2026 09:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.227687
• Title: Adapting Boltz-2 with limited experimental activity data improves early enrichment in virtual screening
• Title（参考訳）: 実験活動データに制限のあるBoltz-2を適応させることにより、仮想スクリーニングの早期強化が向上する
• Abstract要約: ボルツ2アフィニティヘッドを少量のバイナリ活性ラベルで微調整することで、ヒット発見における活性化合物の早期濃縮を改善できる。 300の活性測定により、微調整は8つの目標に対して1.77倍の幾何平均でトップ1%の活性数を増加させた。 候補者のサブセットを補うことは、微調整された頭を持つ上位のボルツ2候補のみをランク付けすることで、ヒット回復の改善を維持することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Virtual screening aims to prioritize active compounds from large chemical libraries within a limited experimental budget. When applying Boltz-2 to virtual screening, a key challenge is how to use limited experimental data from the target assay to improve the prioritization of active compounds. We investigated whether fine-tuning the Boltz-2 affinity heads with a small number of binary activity labels could improve early enrichment of active compounds in hit discovery. We compared fine-tuning with 40-300 labels in a retrospective evaluation on eight MF-PCBA targets. With 300 activity measurements, fine-tuning increased the number of actives in the top 1% by a geometric mean of 1.77-fold across the eight targets and improved average precision (AP) by 2.14-fold relative to the control without fine-tuning. We also investigated whether rescoring a subset of candidates could retain the improvement in hit recovery by reranking only the top-ranked Boltz-2 candidates with the fine-tuned head. Restricting rescoring to approximately 10% of the evaluation set retained hit recovery comparable to full rescoring. These findings show that affinity-head fine-tuning with limited activity labels improves early enrichment with Boltz-2 and that this benefit can be retained when rescoring a restricted set of candidates.
• Abstract（参考訳）: 仮想スクリーニングは、限られた実験予算内で大きな化学ライブラリーから活性化合物を優先することを目的としている。 ボルツ-2を仮想スクリーニングに適用する場合、ターゲットアッセイからの限られた実験データを用いて活性化合物の優先順位付けを改善するかが重要な課題である。 Boltz-2アフィニティヘッドを少量のバイナリ活性ラベルで微調整することで、ヒット発見における活性化合物の早期濃縮が向上するかどうかを検討した。 我々は8つのMF-PCBA目標に対する振り返り評価において,40-300ラベルの微調整を比較した。 300の活性測定により、微調整は8つの目標に対して1.77倍の幾何平均でトップ1%の活性量を増やし、微調整なしでコントロールに対して平均精度(AP)を2.14倍改善した。 また,トップランクのBoltz-2候補のみを微調整し,ヒット回復の改善を維持できるかどうかについても検討した。 評価の約10%にリスコリングを制限し、完全なリスコリングに匹敵するヒットリカバリを維持した。 これらの結果から,活性ラベルが制限されたアフィニティヘッドの微調整はボルツ-2による早期の濃縮を改善し,この利点は,限定された候補の組を再構成する際に維持可能であることが示唆された。

関連論文リスト

• PETA:Parameter-Efficient Test-Time Adaptation for Virtual Screening [49.976632553053285]
  我々は,事前学習されたモデルをテスト時に直接適応するパラメータ効率のフレームワークであるPETAを提案する。 PETAは、分子拡散と化学的妥当性フィルタリングを通じてポケット特異な陰性を形成する。 ランク付け対象は、上位のスクリーニング結果が汚染される可能性のある、上位の無効候補の抑制に重点を置いている。
  論文  参考訳（メタデータ） (2026-08-20T11:17:27Z)
• Evaluation of EEG Foundation Models for Event-Based Burst-Suppression Detection in ICU [12.022301436686435]
  バースト抑制(BS)は、重篤な患者の鎮静深度と脳活動を監視するために用いられる。 EEGファウンデーションモデル(FM)は、いくつかの下流EEGアプリケーションで約束されている。 減量化ICU脳波のバースト検出のための脳波FMを評価するための第1報について述べる。
  論文  参考訳（メタデータ） (2026-06-18T10:49:36Z)
• PACT: Reducing Alert Fatigue in Low-Prevalence SOC Streams with Triggered Active Learning [3.6732711233211663]
  PACTは、すでにデプロイ済みの冷凍XGBoost-Focalスクリーンを、アダプティブウィンドウニングスコアシフトトリガーでラップする。 適応法の中では, 良性正常化偽陽性負担が最少である。
  論文  参考訳（メタデータ） (2026-05-21T11:11:39Z)
• Many Needles in a Haystack: Active Hit Discovery for Perturbation Experiments [19.510272466719044]
  高スループット遺伝子摂動実験は、並列にいくつかの遺伝的介入をテストすることができるが、実験予算は限られている。 中心的なゴールは発見であり、できるだけ多くの摂動を識別し、その効果が予め定義された閾値を超えることである。 本稿では,大域的な大域的最適化を目標とし,他の高値領域を無視しながら支配的モードを過度に展開する手法を提案する。
  論文  参考訳（メタデータ） (2026-05-11T08:45:19Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Fine-Tuning ChemBERTa for Predicting Inhibitory Activity Against TDP1 Using Deep Learning [0.0]
  チロシルDNAホスホジエステラーゼ1(TDP1)に対する小分子の作用を予測することは、初期の薬物発見において重要な課題である。 本稿では,ChemBERTaの微調整によるpIC50値の定量的回帰のためのディープラーニングフレームワークを提案する。 提案手法は、回帰精度と仮想スクリーニングユーティリティの両方において、古典的ベースラインのランダム予測よりも優れている。
  論文  参考訳（メタデータ） (2025-12-03T20:42:22Z)
• SubDyve: Subgraph-Driven Dynamic Propagation for Virtual Screening Enhancement Controlling False Positive [9.285874075936979]
  SubDyveはネットワークベースのVSフレームワークで、サブグラフ対応の類似性ネットワークを構築し、小さな既知のアクティビティからのアクティビティ信号を伝搬する。 ゼロショット条件下で10のDUD-Eターゲットと100万のZINCデータセットを用いてCDK7ターゲット上でSubDyveを評価する。
  論文  参考訳（メタデータ） (2025-09-18T14:48:12Z)
• An Early FIRST Reproduction and Improvements to Single-Token Decoding for Fast Listwise Reranking [50.81324768683995]
  FIRSTは、学習からランクへの目的を統合し、最初の生成されたトークンのみのロジットを活用する新しいアプローチである。 我々は、FIRSTの評価をTRECディープラーニングデータセット(DL19-22)に拡張し、様々な領域でその堅牢性を検証する。 我々の実験は、単一トークンの高速リランクは、ドメイン外リランクの品質を損なうものではないことを確認した。
  論文  参考訳（メタデータ） (2024-11-08T12:08:17Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)

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。