論文の概要: zPocket: Better Pocket Finding with Frozen Co-Folding Features

• arxiv url: http://arxiv.org/abs/2610.17696v1
• Date: Tue, 13 Oct 2026 04:23:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.504778
• Title: zPocket: Better Pocket Finding with Frozen Co-Folding Features
• Title（参考訳）: zPocket: 凍結したコフォールディング機能によるポケット発見の改善
• Abstract要約: zPocketは,共同折り畳みモデルから凍結した特徴の上に,ポケットプレジションヘッドを訓練する手法である。 我々の最高のzPocketモデルは、最強ベースラインの0.598と0.595に比べて、目標当たりのAUPRCが0.745である。 zPocketの2つの応用を探求する: 結晶化フラグメントスクリーンと、ヒトタンパク質の未文字化ポケットのプロテオームスケールスキャンである。
• 参考スコア（独自算出の注目度）: 4.651797432462713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying protein-ligand binding sites (pockets) is important for understanding protein function and developing drugs. However, no public method has leveraged co-folding models for novel pocket prediction; furthermore, this task lacks a suitable benchmark as existing benchmarks are within the training distribution of co-folding models. We therefore developed PocketWatch,a curated dataset of biologically relevant ligand pockets. The PocketWatch test set consists of unseen pockets stratified by sequence similarity, structural similarity, and crypticity to enable evaluation of generalization to novel and challenging pockets. Using this dataset, we develop zPocket, a method that trains pocket-prediction heads on top of frozen features from co-folding models. We show that zPocket heads outperform baseline methods across all stratifications. Our best zPocket model achieves overall per-target AUPRC of 0.745 compared to 0.598 and 0.595 for the strongest baselines, VN-EGNN and UniSite-1D retrained on the PocketWatch split (0.559 and 0.531 when using the published weights); the widely used P2Rank reaches 0.477. We further show that zPocket can be used to outperform baseline methods on top-N+2 recall of predicted pocket centroids through clustering per-residue predictions or using zPocket to rescore centroids proposed by other models. Finally, we explore two applications of zPocket: crystallographic fragment screens and a proteome-scale scan for uncharacterized pockets on human proteins. Together these results suggest that zPocket heads built on co-folding trunk features can greatly advance ligand binding site prediction.
• Abstract（参考訳）: タンパク質-リガンド結合部位(ポケット)の同定は、タンパク質の機能を理解し薬の開発に重要である。 しかし,コフォールディングモデルを用いた新たなポケット予測手法は存在せず,既存のベンチマークがコフォールディングモデルのトレーニング分布内にあるため,この課題には適切なベンチマークが欠如している。 そこで我々は,生物関連リガンドポケットのキュレートされたデータセットであるPocketWatchを開発した。 PocketWatchテストセットは、シーケンシャルな類似性、構造的な類似性、および新規で挑戦的なポケットへの一般化の評価を可能にする秘密性によって階層化された未確認のポケットで構成されている。 このデータセットを用いて、共フォールディングモデルから凍結した特徴の上にポケット予測ヘッドをトレーニングする手法であるzPocketを開発した。 zPocketは全層にわたってベースライン法より優れていることを示す。 我々の最高のzPocketモデルは、PocketWatchスプリットでトレーニングされた最強ベースラインであるVN-EGNNとUniSite-1D(0.559と0.531)の0.598と0.595と比較して、ターゲット当たりのAUPRCの0.745を達成し、広く使われているP2Rankは0.477に達する。 さらに、zPocketは、残差予測をクラスタリングしたり、zPocketを使って他のモデルが提案したセントロイドを再スコア化することで、予測されたポケットセントロイドの上位N+2リコールにおけるベースライン手法よりも優れていることを示す。 最後に、zPocketの2つの応用を探求する: 結晶化フラグメントスクリーンと、ヒトタンパク質の未文字化ポケットのプロテオームスケールスキャン。 これらの結果から, 複合折り畳みトランク上に構築されたzPocketヘッドは, リガンド結合部位の予測を大幅に向上させる可能性が示唆された。

関連論文リスト

• PocketVina Enables Scalable and Highly Accurate Physically Valid Docking through Multi-Pocket Conditioning [0.0]
  PocketVinaは、ポケット予測とシステマティックなマルチポケット探索を組み合わせた、検索ベースのドッキングフレームワークである。 我々はPocketVinaを、PDBbind 2020 (timesplit and unseen)、DockGen、Astex、PoseBustersの4つの確立したベンチマークで評価し、物理的に有効なドッキングポーズのサンプリングにおいて一貫して強いパフォーマンスを観察する。
  論文  参考訳（メタデータ） (2025-06-24T22:50:30Z)
• FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
  $mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。 提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
  論文  参考訳（メタデータ） (2023-10-10T16:39:47Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)

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。