論文の概要: MLIPDiff: Guiding Denoising Diffusion Models for Structure-Based Drug Design via Machine-Learned Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2610.33315v1
• Date: Fri, 23 Oct 2026 21:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.299937
• Title: MLIPDiff: Guiding Denoising Diffusion Models for Structure-Based Drug Design via Machine-Learned Interatomic Potentials
• Title（参考訳）: MLIPDiff: 機械学習型原子間ポテンシャルによる構造に基づく医薬品設計のためのディノイング拡散モデル
• Abstract要約: MLIPDiffは、事前訓練された拡散モデルに適用できる推論時間誘導法である。 局所幾何学を損なうことなくタンパク質とリガンドの衝突を完全に排除する。 局所幾何学を妥協することなく、衝突のない構造を実現する。
• 参考スコア（独自算出の注目度）: 68.5786806222052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have become a dominant approach to structure-based drug design. However, because they are trained primarily to fit reference structures, they often place ligands in physically implausible poses that clash with the protein. We introduce MLIPDiff, an inference-time guidance method that can be applied to pretrained diffusion models for ligand generation. The method uses physics-informed guidance from UMA (Universal Models for Atoms), a machine-learned interatomic potential (MLIP). The guidance combines four weighted energy terms (protein-ligand interaction, ligand strain, steric clash, and pocket anchoring) and uses the original model checkpoint without retraining. On CrossDocked2020, MLIPDiff completely eliminates protein-ligand collisions while preserving the ligand's local geometry, improving bond-length distributions and physical plausibility relative to the base model. Compared to models such as NucleusDiff that are specifically designed to reduce atomic clashes, MLIPDiff achieves clash-free structures without compromising local geometry. It maintains the base model's PoseBusters pass rate and attains the best median Vina Score, Vina Min, and Vina Dock, surpassing both the base model and NucleusDiff, with a median of 59.6\% of ligands per pocket binding more strongly than the reference. MLIPDiff thus addresses a limitation of prior methods by generating physically plausible structures with favorable predicted binding affinity using a single frozen model and no additional training.
• Abstract（参考訳）: 拡散モデルは構造に基づく薬物設計において支配的なアプローチとなっている。 しかし、主に参照構造に適合するように訓練されているため、リガンドはタンパク質と衝突する物理的に不明瞭なポーズに置かれることが多い。 我々は,リガンド生成のための事前学習拡散モデルに適用可能な推定時間誘導手法であるMLIPDiffを紹介する。 この方法は、機械学習型原子間ポテンシャル(MLIP)であるUMA(Universal Models for Atoms)からの物理インフォームドガイダンスを使用する。 このガイダンスは4つの重み付きエネルギー用語(タンパク質-リガンド相互作用、リガンドひずみ、立体衝突、ポケットアンカー)を組み合わせ、元のモデルチェックポイントを再訓練せずに使用する。 クロスドクテッド2020では、MLIPDiffはリガンドの局所的な形状を保ちながらタンパク質とリガンドの衝突を完全に排除し、塩基モデルに対する結合長分布と物理的妥当性を改善した。 原子衝突を減らすために特別に設計されたNucleusDiffのようなモデルと比較して、MLIPDiffは局所幾何学を妥協することなく衝突のない構造を実現する。 ベースモデルのPoseBustersパスレートを維持しており、Vina Score、Vina Min、Vina Dockの2つのベースモデルとNucleusDiffを上回り、基準よりも59.6%のリガンドが強い。 したがって、MLIPDiffは、単一の凍結モデルを用いて予測された結合親和性を持つ物理的に可塑性な構造を生成し、追加の訓練を行わずに、事前手法の制限に対処する。

関連論文リスト

• Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
  原子は分離違反を避けるために 最小の対距離を維持する必要がある NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。 違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
  論文  参考訳（メタデータ） (2024-09-16T08:42:46Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design [2.2856296446976443]
  BadGERは、タンパク質-リガンド結合の改善に向けた拡散サンプリングプロセスの制御方法である。 提案手法は,従来の機械学習手法をはるかに上回り,生成した受容体の結合親和性を最大60%向上することを示す。
  論文  参考訳（メタデータ） (2024-06-24T17:31:41Z)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Leveraging Side Information for Ligand Conformation Generation using Diffusion-Based Approaches [12.71967232020327]
  リガンド分子コンホメーション生成は、薬物発見において重要な課題である。 この問題を解決するためにディープラーニングモデルが開発されている。 これらのモデルはしばしば、本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
  論文  参考訳（メタデータ） (2023-08-02T09:56:47Z)

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。