論文の概要: Blending experimental electron density information to protein-ligand interaction
- arxiv url: http://arxiv.org/abs/2610.14862v1
- Date: Sat, 10 Oct 2026 12:32:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 11:22:40.208505
- Title: Blending experimental electron density information to protein-ligand interaction
- Title（参考訳）: タンパク質-リガンド相互作用へのブレンディング実験電子密度情報
- Abstract要約: CoDEは、実験密度マップ上で事前訓練された座標と密度の表現である。
原子占有率,実験電子密度,勾配等を組み合わせた共有3次元ボクセル格子上に各結合部位を表現した。
凍結エンコーダは, (i) リーク制御された分割条件下での結合親和性回帰と (ii) ポケットコンディショニングによるリガンド生成という2つの下流タスクで評価する。
- 参考スコア（独自算出の注目度）: 26.27497047632235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning models for protein-ligand interactions commonly rely on atomic coordinates, which are constructed by fitting molecular models to experimental electron-density maps. However, most models represent each complex as a single fitted structure, which can omit information about conformational heterogeneity, positional uncertainty, and local density support for individual atoms at binding interfaces. To fill this gap, we present CoDE, a Coordinate and Density Encoder, pre-trained on experimental density maps. We represent each binding site on a shared three-dimensional voxel grid combining atomic occupancy, experimental electron density, and its gradient magnitude. Using approximately 100K curated complexes, we pre-train a channel-wise vision transformer to jointly reconstruct masked atomic and density channels, learning a representation that integrates structural and experimental information. We evaluate the frozen encoder on two downstream tasks: (i) binding-affinity regression under leakage-controlled splits and (ii) pocket-conditioned ligand generation. Across these settings, CoDE improves over an identically pre-trained coordinate-only encoder and remains competitive with task-specific baselines, showing that density complements fitted atomic coordinates for protein-ligand interaction modeling and that the density-blended representation is useful for structure-based ligand generation.
- Abstract（参考訳）: タンパク質-リガンド相互作用の機械学習モデルは一般に原子座標に依存し、実験的な電子密度マップに分子モデルを適用することによって構築される。
しかし、ほとんどのモデルは、結合界面における個々の原子の共形不均一性、位置の不確実性、局所密度サポートに関する情報を省略できる単一の構造としてそれぞれの複合体を表現している。
このギャップを埋めるために,実験密度マップ上で事前学習したコーディネート・密度エンコーダのCoDEを提案する。
原子占有率,実験電子密度,勾配等を組み合わせた共有3次元ボクセル格子上に各結合部位を表現した。
約100Kの硬化した錯体を用いて、チャネルワイド・ビジョン・トランスフォーマーを事前訓練し、マスクされた原子と密度のチャネルを共同で再構築し、構造情報と実験情報を統合した表現を学習する。
2つの下流タスクにおける凍結エンコーダの評価を行う。
一 漏洩制御分割による結合親和性回帰
(ii)ポケットコンディショニングリガンド生成。
これらの設定全体で、CoDEは、同一に訓練された座標のみのエンコーダを改良し、タスク固有のベースラインと競合し続け、密度は、タンパク質-リガンド相互作用モデリングのための適合原子座標を補完し、密度-ブレンド表現は構造ベースのリガンド生成に有用であることを示す。
関連論文リスト
- Neural-Network Solutions to Real-Space Charge Density and Generalization [0.28074364079901015]
実空間電荷密度を解くためにAIDENを提案する。
連続低ランクガウスデコーダは任意の空間座標で密度を再構成する。
AIDENはベースラインモデルと完全なSCF計算の両方よりもはるかに高速な推論を提供する。
論文 参考訳（メタデータ） (2026-09-14T01:51:52Z) - Learning the Kohn-Sham map with neural operators for quasi-linear scaling density functional theory [57.90994363143731]
コーン-シャム密度汎関数理論(DFT)は電子構造シミュレーションの基盤となる。
繰り返しの軌道対角化は立方体スケーリングをもたらし、量子計算を控えめなスケールに制限する。
我々は、コーン・シャムポテンシャルを対応する密度と非相互作用運動エネルギーに直接マッピングする軌道自由DFTの学習目標を開発する。
論文 参考訳（メタデータ） (2026-08-24T23:05:42Z) - Materium: An Autoregressive Approach for Material Generation [0.0]
マテリウム(Materium)は、結晶構造を生成するための自己回帰変換器である。
原子を正確な分数座標に配置し、高速でスケーラブルな生成を可能にする。
モデルは1つのGPUで数時間でトレーニングできる。
論文 参考訳（メタデータ） (2025-12-08T12:14:42Z) - Beyond Atoms: Evaluating Electron Density Representation for 3D Molecular Learning [3.554781859726123]
3次元畳み込みニューラルネットワーク(CNN)における3種類のボクセル入力型の比較を行った。
電子密度は本質的に体積密度であり、ボクセル格子は実験および計算された密度の両方に対して最も自然な表現を提供するため、ボクセルベースのCNNに焦点を当てる。
論文 参考訳（メタデータ） (2025-11-26T20:42:31Z) - Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。
これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。
適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
論文 参考訳（メタデータ） (2025-05-25T07:36:50Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - 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) - Electronic-structure properties from atom-centered predictions of the
electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。
最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。
予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文 参考訳（メタデータ） (2022-06-28T15:35:55Z) - Learning on-top: regressing the on-top pair density for real-space
visualization of electron correlation [0.0]
オントップ対密度は電子相関効果の強力な指標である。
GDB11AD-3165データベース上でCFオントップ密度分子のみを予測できる機械学習モデルを訓練する。
実空間における電子相関効果とボンドブレーキング適合の視覚的指標として,オントップ比を用いて回帰の精度を実証した。
論文 参考訳（メタデータ） (2020-10-14T14:11:05Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
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。