論文の概要: TopU-LBVS: A Realistic Multi Target Benchmark for Ligand Based Virtual Screening

• arxiv url: http://arxiv.org/abs/2609.29740v1
• Date: Thu, 24 Sep 2026 12:56:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.935766
• Title: TopU-LBVS: A Realistic Multi Target Benchmark for Ligand Based Virtual Screening
• Title（参考訳）: TopU-LBVS:リガンドベースの仮想スクリーニングのためのリアルなマルチターゲットベンチマーク
• Abstract要約: Ligand-based virtual screening (LBVS) は、初期の薬物発見において実用的なファーストパスツールである。 既存のベンチマークは、ランダムなネガティブ、容易なデコイ、限定的なターゲットカバレッジ、非標準評価プロトコルを通じてパフォーマンスを過大評価することができる。 厳しいスクリーニング条件下でLBVSのマルチターゲットベンチマークであるTopU-LBVSを紹介する。
• 参考スコア（独自算出の注目度）: 4.332241609032423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ligand-based virtual screening (LBVS) is a practical first-pass tool in early-stage drug discovery, but existing benchmarks can overestimate performance through random negatives, easy decoys, limited target coverage, and non-standardized evaluation protocols. We introduce TopU-LBVS, a multi-target benchmark for LBVS under hard-negative screening conditions. Starting from curated ChEMBL~35 bioactivity data, TopU-LBVS covers 93 protein targets across 7 protein classes and constructs target-specific screening libraries with property-matched, structurally similar decoys at a fixed 1:40 active-to-decoy ratio. Libraries contain roughly 400 to 10,000 compounds and are designed to reduce simple physicochemical and nearest-neighbor fingerprint shortcuts. TopU-LBVS provides three fixed protocols. TopU-LBVS-full evaluates ChEMBL$^\ast \rightarrow$ TopU generalization across all 93 targets. TopU-LBVS-low evaluates low-data TopU $\rightarrow$ TopU learning within the hard-negative distribution. TopU-LBVS-mini provides a compact seven-target protocol with a paired random-decoy control that changes only the test decoys, enabling low-cost development and direct measurement of the gap between random ChEMBL$^\ast$ and TopU decoys. Across ten reference baselines spanning fingerprint methods, molecular GNNs, fingerprint hybrids, and modern molecular models, performance under random-decoy evaluation degrades sharply under hard-negative screening. We release data, fixed splits, evaluation code, and baseline implementations for reproducible comparison of future LBVS and molecular representation learning methods. Code and data are available at https://github.com/topu-benchmark/topu-lbvs and https://huggingface.co/datasets/topu-benchmark/topu-lbvs.
• Abstract（参考訳）: Ligand-based virtual screening (LBVS) は、初期段階の薬物発見において実用的なファーストパスツールであるが、既存のベンチマークでは、ランダムなネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガ 厳しいスクリーニング条件下でLBVSのマルチターゲットベンチマークであるTopU-LBVSを紹介する。 キュレートされたChEMBL~35の生物活性データから、TopU-LBVSは7つのタンパク質クラスにわたる93のタンパク質標的をカバーし、プロパティマッチングされた構造的類似のデコイを1:40のアクティブ・ツー・デコイ比でターゲット特異的スクリーニングライブラリを構築する。 ライブラリにはおよそ400から10,000の化合物が含まれており、簡単な物理化学的および最も近い指紋ショートカットを減らすように設計されている。 TopU-LBVSは3つの固定プロトコルを提供する。 TopU-LBVS-full は ChEMBL$^\ast \rightarrow$ TopU generalization across all 93 target。 TopU-LBVS-low は低データ TopU $\rightarrow$ TopU 学習をハード負の分布内で評価する。 TopU-LBVS-miniは、ペア化されたランダムデコイ制御を備えたコンパクトな7ターゲットプロトコルを提供し、テストデコイだけを変更し、低コストな開発とランダムChEMBL$^\ast$とTopUデコイ間のギャップの直接測定を可能にする。 指紋法, 分子GNN, 指紋ハイブリッド, 近代分子モデルにまたがる10の基準基準線を網羅し, ランダムデコイ評価における性能は, 強陰性スクリーニング下で著しく低下する。 我々は、将来のLBVSと分子表現学習の再現性比較のためのデータ、固定分割、評価コード、ベースライン実装をリリースする。 コードとデータはhttps://github.com/topu-benchmark/topu-lbvsとhttps://huggingface.co/datasets/topu-benchmark/topu-lbvsで入手できる。

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)
• PROTON: Prototype-Based Test-Time Online OOD Detection for Medical VLMs [26.105088397249034]
  医療ビジョン言語モデル(VLM)では、デプロイメント時のアウト・オブ・ディストリビューション(OOD)入力が未解決のままである。 ProTON(PROtotype-based Test-time Online OOD Detection)は,ストリームレベルの分散統計によるOODスコアとプロトタイプ距離を融合した軽量なポストホックモジュールである。 FLAIR + FIVESのベンチマークでは、PROTONは共変量シフトで+23.9 AUROC、セマンティックシフトで+8.8、遠OODで+8.1の改善を行い、階層的なプロンプトやラベル付きデータなしで3つすべてを改善する唯一のゼロショット法となった。
  論文  参考訳（メタデータ） (2026-06-18T20:09:13Z)
• Verifier-Free RL for LLMs via Intrinsic Gradient-Norm Reward [69.99652051809737]
  本研究では,検証自由な内在性勾配項再帰(VIGOR)を提案する。 VIGORはポリシーモデルのみを使用する単純な報酬です。 数学データのみに基づいてトレーニングされた場合、コードベンチマークへのクロスドメイン転送を示す。
  論文  参考訳（メタデータ） (2026-05-11T03:15:37Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• Semi-Unsupervised Microscopy Segmentation with Fuzzy Logic and Spatial Statistics for Cross-Domain Analysis Using a GUI [3.5092739016434567]
  本研究では,画像のモダリティと画像タイプにまたがる1時間キャリブレーション支援の非教師なしフレームワークを導入することにより,低コストで軽量なアノテーションのないセグメンテーション手法を提案する。 このフレームワークは,局所平均からの空間標準偏差による背景決定を行う。不確実な画素はファジィ論理,累積2乗シフトの結節強度,統計的特徴,および余分な偏差校正によって解決される。
  論文  参考訳（メタデータ） (2025-08-21T21:44:53Z)
• YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
  高精度で軽量な物体検出器YOLOv13を提案する。 ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。 また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-21T15:15:03Z)
• Teaching Your Models to Understand Code via Focal Preference Alignment [70.71693365502212]
  既存の手法では、テストケースの成功率に基づいてn個の候補解が評価される。 このアプローチは、特定のエラーを特定するのではなく、失敗するコードブロック全体を整列するので、意味のあるエラーと訂正の関係を捉えるのに必要な粒度が欠けている。 我々は、人間の反復デバッグを模倣してコードLLMを洗練させる新しい優先順位調整フレームワークであるTarget-DPOを提案する。
  論文  参考訳（メタデータ） (2025-03-04T16:56:34Z)
• DrugCLIP: Contrastive Protein-Molecule Representation Learning for Virtual Screening [16.31607535765497]
  DrugCLIPは、仮想スクリーニングのための新しい対照的な学習フレームワークである。 明示的な結合親和性スコアなしで、大量のペアデータから結合タンパク質ポケットと分子の表現を調整できる。 様々な仮想スクリーニングベンチマークにおいて、従来のドッキングや教師あり学習方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-10T07:08:35Z)
• Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
  学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。 ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。 本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T20:03:58Z)
• We Should at Least Be Able to Design Molecules That Dock Well [5.751280593108197]
  そこで本研究では,タンパク質への分子結合を評価する一般的な計算手法であるドッキングに基づくベンチマークを提案する。 グラフベース生成モデルでは,ドッキングスコアの高い分子を現実的な大きさのトレーニングセットを用いて学習すると生成できないことが観察された。 本稿では,簡易なスコアリング関数に基づくベンチマークの簡易版を提案し,テストしたモデルで部分的に解けることを示す。
  論文  参考訳（メタデータ） (2020-06-20T16:40:56Z)

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。