GeoDirDock: Guiding Docking Along Geodesic Paths

要約

この研究では、リガンドドッキング予測の精度と物理的妥当性を高める分子ドッキングへの新しいアプローチである GeoDirDock (GDD) を紹介します。
GDD は、並進、回転、ねじりの自由度を表す複数の空間内の測地線パスに沿って拡散モデルのノイズ除去プロセスをガイドします。
私たちの方法は、専門知識を活用して生成モデリングプロセスを指示し、特に目的のタンパク質-リガンド相互作用領域をターゲットにします。
我々は、GDD が RMSD 精度と物理化学的ポーズの現実性の点で既存のブラインド ドッキング手法を大幅に上回ることを実証します。
私たちの結果は、ドメインの専門知識を普及プロセスに組み込むことで、より生物学的に関連性の高いドッキング予測につながることを示しています。
さらに、最大共通部分構造（MCS）ドッキングにおける角度移動を通じた創薬におけるリード最適化における GDD の可能性を調査し、化学的に類似した化合物のリガンド配向を正確に予測できる GDD の機能を実証します。

要約(オリジナル)

This work introduces GeoDirDock (GDD), a novel approach to molecular docking that enhances the accuracy and physical plausibility of ligand docking predictions. GDD guides the denoising process of a diffusion model along geodesic paths within multiple spaces representing translational, rotational, and torsional degrees of freedom. Our method leverages expert knowledge to direct the generative modeling process, specifically targeting desired protein-ligand interaction regions. We demonstrate that GDD significantly outperforms existing blind docking methods in terms of RMSD accuracy and physicochemical pose realism. Our results indicate that incorporating domain expertise into the diffusion process leads to more biologically relevant docking predictions. Additionally, we explore the potential of GDD for lead optimization in drug discovery through angle transfer in maximal common substructure (MCS) docking, showcasing its capability to predict ligand orientations for chemically similar compounds accurately.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google