論文の概要: On the Selectivity of Generative Models in Structure-Based Drug Design

• arxiv url: http://arxiv.org/abs/2610.24124v1
• Date: Fri, 16 Oct 2026 18:49:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:52:22.957268
• Title: On the Selectivity of Generative Models in Structure-Based Drug Design
• Title（参考訳）: 構造に基づく医薬品設計における生成モデルの選択性について
• Abstract要約: 標的タンパク質に選択的に結合する小分子の薬物は、臨床効果に大きく寄与する副作用を減少させる。 ほとんどの生成モデルは、依然として単一のターゲットへのバインディングを最適化し、限られたトレーニングデータと未知のターゲット外の相互作用のために選択性を無視している。 生成型SBDDモデルの選択性を評価する総合ベンチマークであるSELECTBENCHを紹介する。
• 参考スコア（独自算出の注目度）: 9.39199136500096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing small-molecule drugs that selectively bind to a target protein while avoiding unintended interactions with other proteins is essential for reducing side effects that contribute substantially to clinical attrition. Although structure-based drug design (SBDD) has advanced rapidly with deep learning, most generative models still optimize binding to a single target and disregard selectivity due to limited training data and unknown off-target interactions. Motivated by this gap, we introduce SELECTBENCH, a comprehensive benchmark assessing the selectivity of generative SBDD models. SELECTBENCH provides three curated evaluation tasks reflecting different real-world drug discovery scenarios: literature-based case studies, safety screening panels used in pharmaceutical development, and large-scale structure-based evaluation sets. We further introduce a suite of metrics to quantify selectivity and conduct a systematic evaluation of nine representative SBDD models, including methods explicitly trained for selectivity and widely-used inference-time guidance techniques. Our results show that even selectivity-trained models achieve only modest off-target discrimination and inference-time guidance provides limited gains, underscoring the need for method improvement. SELECTBENCH provides both a characterization of where current generative SBDD stands on selectivity and an open, extensible platform to accelerate progress. The benchmark is available at https://github.com/lovetaro/selectbench.
• Abstract（参考訳）: 他のタンパク質との意図しない相互作用を回避しつつ、標的タンパク質に選択的に結合する小分子の薬物を設計することは、臨床効果に大きく寄与する副作用を減らすのに不可欠である。 構造に基づく薬物設計(SBDD)は、ディープラーニングによって急速に進歩しているが、ほとんどの生成モデルは、訓練データや未知のターゲット外の相互作用のために、単一のターゲットへのバインディングを最適化し、選択性を無視している。 このギャップに触発されたSELECTBENCHは、生成型SBDDモデルの選択性を評価する包括的なベンチマークである。 SELECTBENCHは、文献に基づくケーススタディ、医薬品開発に使用される安全スクリーニングパネル、大規模構造に基づく評価セットの3つの実世界の薬物発見シナリオを反映した評価タスクを提供する。 さらに,選択度を定量化し,9つの代表的なSBDDモデルの体系的評価を行うための指標について紹介する。 この結果から,選択性学習モデルでさえ,目標外識別と推論時間誘導しか達成できず,限られた利得が得られ,手法改善の必要性が示唆された。 SELECTBENCHは、現在の生成型SBDDが、進歩を加速するためのオープンで拡張可能なプラットフォームである、という特徴を提供する。 ベンチマークはhttps://github.com/lovetaro/selectbench.comで公開されている。

関連論文リスト

• Uncertainty-Guided Model Selection for Tabular Foundation Models in Biomolecule Efficacy Prediction [3.108481950101193]
  本研究では,モデル選択のための不確実性誘導戦略について検討する。 本研究では,直列型特徴量を用いたTabPFNモデルが,最先端の予測器を上回りうることを示す。
  論文  参考訳（メタデータ） (2025-10-02T18:33:19Z)
• A Copula Based Supervised Filter for Feature Selection in Diabetes Risk Prediction Using Machine Learning [0.0]
  我々は,Gumbel copula上尾依存性係数(lambda_U$)を用いて特徴量をランク付けする計算効率の高い教師付きフィルタを提案する。 2つの糖尿病データセット上の4つの分類器で、Mutual Information、mRMR、ReliefF、および$L_1$ Elastic Netを比較した。 上肢依存によるコプラに基づく特徴選択は、公衆衛生・臨床医療におけるリスクモデル構築のための強力で効率的かつ解釈可能なアプローチである。
  論文  参考訳（メタデータ） (2025-05-28T16:34:58Z)
• Evaluation Framework for AI-driven Molecular Design of Multi-target Drugs: Brain Diseases as a Case Study [0.0]
  マルチターゲットドラッグディスカバリ(Multi-target Drug Discovery、MTDD)は、複雑な疾患に対する薬物発見のパラダイムである。 本稿では,MTDDシナリオにおける分子生成手法の評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-20T01:42:16Z)
• Diversified Batch Selection for Training Acceleration [68.67164304377732]
  オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。 バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
  論文  参考訳（メタデータ） (2024-06-07T12:12:20Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Empirical Analysis of Model Selection for Heterogeneous Causal Effect Estimation [24.65301562548798]
  本研究では,因果推論におけるモデル選択の問題,特に条件付き平均処理効果(CATE)の推定について検討する。 本研究では,本研究で導入されたサロゲートモデル選択指標と,本研究で導入された新しい指標のベンチマークを行う。
  論文  参考訳（メタデータ） (2022-11-03T16:26:06Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• An Efficient Framework for Automated Screening of Clinically Significant Macular Edema [0.41998444721319206]
  本研究は,臨床上重要な黄斑浮腫(CSME)の自動スクリーニングのための新しいアプローチを提案する。 提案手法は、トレーニング済みのディープニューラルネットワークとメタヒューリスティックな特徴選択を組み合わせたものである。 スクイードデータセットの効果を克服するために、機能領域のオーバーサンプリング技術が使用されている。
  論文  参考訳（メタデータ） (2020-01-20T07:34:13Z)

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。