論文の概要: RangeFinder: Predicting Ligand Property Ranges from Protein Pockets

• arxiv url: http://arxiv.org/abs/2611.03379v1
• Date: Mon, 02 Nov 2026 16:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 04:58:00.578235
• Title: RangeFinder: Predicting Ligand Property Ranges from Protein Pockets
• Title（参考訳）: RangeFinder:タンパク質ポケットからLigandプロパティの範囲を予測する
• Abstract要約: 本研究では,9種類の物理化学的リガンド特性をポケット構造,化学,進化の文脈から直接予測するポケットレベルのモデルであるRangeFinderを紹介する。 クロスオーバー・ユニオンの目標と評価基準(range-IoU)を用いて、RangeFinderは0.564 pm 0.002$のレンジIoUを達成し、1ポケット当たり12.2$msしか必要とせず、すべてのデプロイ可能なベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 0.43459929061438385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying ligands for a protein target requires searching a vast chemical space for a comparatively small set of compatible molecules. Existing machine learning approaches primarily address this problem by generating candidate ligands or scoring individual protein-ligand pairs, but provide limited information about the broader chemical space compatible with a binding pocket. We introduce RangeFinder, an SE(3)-equivariant transformer pocket-level model, trained and evaluated on BioLiP2 data, that predicts ranges over nine physicochemical ligand properties directly from pocket structure, chemistry, and evolutionary context. Using an intersection-over-union objective and evaluation metric (range-IoU), RangeFinder achieves a range-IoU of $0.464 \pm 0.002$, outperforming all deployable baselines while requiring only $12.2$ ms per pocket. We also quantify our method's ability to reduce the ligand search space while retaining compatible binders; in this regard, RangeFinder achieves a Reduction-Recall F-Score of $0.543 \pm 0.011$ --- once again outperforming all deployable baselines. Ablation experiments indicate that RangeFinder's performance depends more strongly on the density and quality of ligand supervision than on any individual input modality or specialized training strategy. Together, these results position RangeFinder as an inexpensive and effective molecular filtering prior, with demonstrated potential in narrowing the ligand search space of target pockets before docking, generation, or synthesis. The code for this project can be found at: https://github.com/alannadels/RangeFinder.
• Abstract（参考訳）: タンパク質標的のリガンドを同定するには、比較的小さな相溶性の分子の集合のために広大な化学空間を探索する必要がある。 既存の機械学習アプローチは、主に、候補リガンドを生成するか、個々のタンパク質-リガンドペアを評価することでこの問題に対処するが、結合ポケットと互換性のあるより広い化学空間についての限られた情報を提供する。 本研究では,SE(3)-等価変圧器ポケットレベルモデルであるRangeFinderを導入し,BioLiP2データに基づいて,ポケット構造,化学,進化の文脈から直接,9種類の物理化学的配位子特性を予測した。 クロスオーバー・ユニオンの目標と評価基準(range-IoU)を用いて、RangeFinderは0.464 \pm 0.002$のレンジIoUを達成し、1ポケット当たり12.2$msしか必要とせず、すべてのデプロイ可能なベースラインを上回ります。 また、互換性のあるバインダーを維持しながら、リガンド検索空間を縮小する手法の能力を定量化します。この点で、RangeFinderは、0.543 \pm 0.011$のReduce-Recall F-Scoreを達成します。 アブレーション実験により、レンジファインダーのパフォーマンスは、個々の入力モダリティや専門的な訓練戦略よりも、リガンド監督の密度と品質に強く依存していることが示されている。 これらの結果とともに、レンジファインダーは、ドッキング、生成、合成の前にターゲットポケットのリガンド探索空間を狭める可能性を示した、安価で効果的な分子フィルタリングの先駆けとして位置づけられた。 このプロジェクトのコードは、https://github.com/alannadels/RangeFinder.comで見ることができる。

関連論文リスト

• MMAO-Cls: Metabolic Multi-Agent Optimization for Joint Feature Selection and Classifier Tuning [0.5156484100374058]
  MMAO(Multi-Agent Metabolic)は、分類モデル選択のための信頼性の高い外ループとして機能する。 本稿では,MMAO-Clsを提案する。MMAO-Clsは,各エージェントが2次元特徴マスクとハイパーパラメータを共に符号化する混合空間実現法である。 MMAO-Clsを7種類の標準ベンチマークで評価し,RandomSearch,GA-lite,PSO-lite,内因性no-sharing ablationと比較した。
  論文  参考訳（メタデータ） (2026-07-01T23:40:27Z)
• Aligning Transformers with Continuous Feedback via Energy Rank Alignment [2.817395666721831]
  本稿では,エネルギーランクアライメント(ERA)と呼ばれるアルゴリズムを導入する。 我々は、分子トランスフォーマーとタンパク質言語モデルを組み合わせて、分子とタンパク質配列を生成するためにこのアプローチを展開した。
  論文  参考訳（メタデータ） (2024-05-21T17:35:20Z)
• 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)
• Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine Learning [54.247560894146105]
  短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。 我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
  論文  参考訳（メタデータ） (2022-08-10T13:30:58Z)

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。