論文の概要: ProtGlycanDock: Towards Accurate Protein-Glycan Docking with Tailored Dataset, Benchmark and Model

• arxiv url: http://arxiv.org/abs/2610.26009v1
• Date: Mon, 19 Oct 2026 08:33:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-21 06:56:41.702736
• Title: ProtGlycanDock: Towards Accurate Protein-Glycan Docking with Tailored Dataset, Benchmark and Model
• Title（参考訳）: ProtGlycanDock: テイラーデータセット、ベンチマーク、モデルによる正確なタンパク質-グリカンドッキングを目指して
• Abstract要約: 正確なタンパク質-グリカンドッキングは、タンパク質-グリカン相互作用を理解するために重要である。 まず、タンパク質-グリカンドッキングモデルのトレーニングと評価のための標準ベンチマークであるProtGlycanDockをキュレートする。 分子構造予測モデルにグリカン配座の知識を注入する2つの微調整手法を提案する。
• 参考スコア（独自算出の注目度）: 18.557504829140914
• License:
• Abstract: Performing accurate protein-glycan docking is critical to understanding protein-glycan interactions which govern many biological processes. However, this important task is hampered by the lack of tailored datasets, benchmarks and models for protein-glycan docking. To fill this blank, we first curate a standard benchmark ProtGlycanDock for training and evaluating protein-glycan docking models under both protein and glycan generalization settings. On this benchmark, we evaluate ten models in three categories, physics-based docking methods, machine-learning-based docking models and molecular structure prediction models. To obtain more precise binding poses, we further propose two finetuning techniques to inject the knowledge of glycan conformations into a general-purpose molecular structure prediction model. These two techniques respectively augment model inputs with glycan topological features and refine glycan binding pose with a glycan energy loss. Benchmark results show the superiority of AlphaFold 3 among existing methods, and the two proposed finetuning techniques can be well combined to achieve a state-of-the-art model for protein-glycan docking. Also, we perform stratified benchmark analysis and case studies to better understand the strengths and weaknesses of current models, providing insights for future model improvements. We maintain datasets at https://huggingface.co/datasets/ProtGlycanDock/ProtGlycanDock and source codes at https://github.com/kasawa1234/ProtGlycanDock
• Abstract（参考訳）: 正確なタンパク質-グリカンドッキングは、多くの生物学的プロセスを管理するタンパク質-グリカン相互作用を理解するために重要である。 しかし、この重要なタスクは、タンパク質-グリカンドッキングのための調整されたデータセット、ベンチマーク、モデルがないために妨げられている。 この空白を埋めるために、まず、タンパク質とグリカンの一般化設定の下でタンパク質-グリカンドッキングモデルをトレーニングし評価するための標準ベンチマークであるProtGlycanDockをキュレートする。 本ベンチマークでは,物理に基づくドッキング法,機械学習に基づくドッキングモデル,分子構造予測モデルという3つのカテゴリの10つのモデルを評価する。 さらに, グリカン配座の知識を汎用分子構造予測モデルに注入する2つの微調整手法を提案する。 これらの2つの手法はそれぞれグリカントポロジカルな特徴を持つモデル入力を増強し、グリカン結合はグリカンエネルギー損失を伴う。 ベンチマークの結果,AlphaFold 3は既存手法よりも優れており,タンパク質-グリカンドッキングの最先端モデルを実現するために2つのファインタニング手法をうまく組み合わせることができる。 また、現在のモデルの強みと弱みをよりよく理解するために、階層化されたベンチマーク分析とケーススタディを実施し、将来のモデル改善の洞察を与えます。 データセットはhttps://huggingface.co/datasets/ProtGlycanDock/ProtGlycanDockで、ソースコードはhttps://github.com/kasawa1234/ProtGlycanDockで管理しています。

関連論文リスト

• Towards Precision Protein-Ligand Affinity Prediction Benchmark: A Complete and Modification-Aware DAVIS Dataset [40.09200350129404]
  現在のモデルは、自然に発生し生物学的に関連のあるタンパク質を改変することなく、既存の単純化されたデータセットに過度に適合する。 我々は,4,032個のキナーゼ-リガンドペアを組み込むことで,広く使用されているDAVISデータセットの完全かつ修正対応バージョンをキュレートする。 このリッチデータセットは、生物学的に現実的な条件下で予測モデルのベンチマークを可能にする。
  論文  参考訳（メタデータ） (2025-11-30T03:14:39Z)
• Modeling All-Atom Glycan Structures via Hierarchical Message Passing and Multi-Scale Pre-training [37.76325239977169]
  我々は、全原子量グリカンモデリングのためのGlycanAAモデルを紹介する。 GlycanAAは、局所的な原子レベルの相互作用からグローバルな単糖レベルの相互作用を捉えるために、階層的なメッセージパッシングを行う。 我々は,グリカンの依存性のレベルが異なるモデルを実現するために,マルチスケールマスク予測アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2025-06-02T07:08:39Z)
• PoseX: AI Defeats Physics Approaches on Protein-Ligand Cross Docking [74.76447568426276]
  PoseXは、セルフドッキングとクロスドッキングの両方を評価するためのオープンソースのベンチマークである。 23のドッキング法を3つの方法論カテゴリに組み込んだ。 我々は,コンフォメーションエネルギーを最小化し,結合ポーズを洗練するために,後処理の緩和法を開発した。
  論文  参考訳（メタデータ） (2025-05-03T05:35:37Z)
• Fast and Accurate Blind Flexible Docking [79.88520988144442]
  小分子(配位子)のタンパク質標的への結合構造を予測する分子ドッキングは、薬物発見において重要な役割を果たす。 本研究では,現実的な視覚的フレキシブルドッキングシナリオを対象とした,高速かつ高精度な回帰ベースマルチタスク学習モデルであるFABFlexを提案する。
  論文  参考訳（メタデータ） (2025-02-20T07:31:13Z)
• xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering the Language of Protein [74.64101864289572]
  本稿では,タンパク質の理解と生成を同時に行うために,統一されたタンパク質言語モデル xTrimoPGLM を提案する。 xTrimoPGLMは、4つのカテゴリにわたる18のタンパク質理解ベンチマークにおいて、他の高度なベースラインを著しく上回っている。 また、自然の原理に従ってデノボタンパク質配列を生成でき、微調整を監督した後にプログラム可能な生成を行うことができる。
  論文  参考訳（メタデータ） (2024-01-11T15:03:17Z)
• Multi-scale Iterative Refinement towards Robust and Versatile Molecular Docking [17.28573902701018]
  分子ドッキング(英: molecular docking)は、小分子のタンパク質標的への結合コンホメーションを予測するために使われる重要な計算ツールである。 我々は、効率的な分子ドッキング用に設計された堅牢で汎用的なフレームワークであるDeltaDockを紹介する。
  論文  参考訳（メタデータ） (2023-11-30T14:09:20Z)
• Pre-Training on Large-Scale Generated Docking Conformations with HelixDock to Unlock the Potential of Protein-ligand Structure Prediction Models [42.16524616409125]
  本研究では,大規模ドッキングコンフォーメーションの事前学習により,優れた性能を有するタンパク質リガンド構造予測モデルが得られることを示す。 提案モデルであるHelixDockは,物理ベースのドッキングツールによってカプセル化された物理知識を,事前学習期間中に取得することを目的としている。
  論文  参考訳（メタデータ） (2023-10-21T05:54:26Z)
• Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
  我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。 本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。 我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
  論文  参考訳（メタデータ） (2021-11-15T18:46:37Z)

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。