A Systematic Survey in Geometric Deep Learning for Structure-based Drug Design

要約

タンパク質の3次元形状を利用して創薬候補物質を同定するStructure-based drug design (SBDD)は、創薬においてますます重要性を増している。しかし、従来の物理化学的モデリングや専門家の領域知識に基づく手法は、時間と手間がかかる。3D幾何学データを統合して処理する幾何学的ディープラーニングの最近の進歩は、AlphaFoldのようなツールから正確なタンパク質の3D構造予測を利用できるようになったことと相まって、構造に基づく創薬設計の進歩を大きく後押ししている。本稿では、構造に基づくドラッグデザインのための幾何学的深層学習の最近の進歩を体系的にレビューする。まず、構造ベースのドラッグデザインにおける主要なタスク、一般的に使用される3Dタンパク質表現、代表的な予測／生成モデルについて簡単に説明する。次に、各タスク（結合部位予測、結合ポーズ生成、emph{de novo}分子生成、リンカー設計、結合親和性予測）について、問題設定、代表的な手法、データセット、評価指標を含む詳細なレビューを掘り下げる。最後に、このサーベイを現在の課題で締めくくり、構造ベースのドラッグデザインのための幾何学的ディープラーニングの潜在的な可能性を強調します。関連論文を含むGitHubレポをキュレーションしています୧⃛(๑⃙⃘⁼̴̀꒳⁼̴́๑⃙⃘)

要約(オリジナル)

Structure-based drug design (SBDD), which utilizes the three-dimensional geometry of proteins to identify potential drug candidates, is becoming increasingly vital in drug discovery. However, traditional methods based on physiochemical modeling and experts’ domain knowledge are time-consuming and laborious. The recent advancements in geometric deep learning, which integrates and processes 3D geometric data, coupled with the availability of accurate protein 3D structure predictions from tools like AlphaFold, have significantly propelled progress in structure-based drug design. In this paper, we systematically review the recent progress of geometric deep learning for structure-based drug design. We start with a brief discussion of the mainstream tasks in structure-based drug design, commonly used 3D protein representations and representative predictive/generative models. Then we delve into detailed reviews for each task (binding site prediction, binding pose generation, \emph{de novo} molecule generation, linker design, and binding affinity prediction), including the problem setup, representative methods, datasets, and evaluation metrics. Finally, we conclude this survey with the current challenges and highlight potential opportunities of geometric deep learning for structure-based drug design.We curate a GitHub repo containing the related papers \url{https://github.com/zaixizhang/Awesome-SBDD}.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL