FABind+: Enhancing Molecular Docking through Improved Pocket Prediction and Pose Generation

要約

分子ドッキングは、創薬における極めて重要なプロセスです。
従来の手法は、物理的原則に準拠した広範なサンプリングとシミュレーションに依存していますが、これらの方法はしばしば遅くてコストがかかります。
深い学習ベースのアプローチの出現は大きな約束を示しており、精度と効率の両方が増加しています。
速度と精度に焦点を当てたモデルであるファビンドの基礎作品に基づいて、Fabind+を提示します。これは、前任者のパフォーマンスを大きく強化する反復を強化します。
ポケット予測を分子ドッキングの重要なボトルネックとして特定し、ポケット予測を大幅に改良する新しい方法論を提案し、それによってドッキングプロセスを合理化します。
さらに、ドッキングモジュールの変更を導入して、ポーズ生成機能を強化します。
従来のサンプリング/生成方法でギャップを埋めるために、信頼モデルと組み合わせたシンプルで効果的なサンプリング手法を組み込み、Fabindの回帰フレームワークにわずかな調整のみを必要とします。
実験結果と分析により、Fabind+は元のFabindを非常に上回り、競争力のある最先端のパフォーマンスを達成し、洞察に満ちたモデリング戦略を提供することが明らかになりました。
これは、Fabind+が分子ドッキングと創薬の大幅な前進を表していることを示しています。
私たちのコードはhttps://github.com/qizhipei/fabindにあります。

要約(オリジナル)

Molecular docking is a pivotal process in drug discovery. While traditional techniques rely on extensive sampling and simulation governed by physical principles, these methods are often slow and costly. The advent of deep learning-based approaches has shown significant promise, offering increases in both accuracy and efficiency. Building upon the foundational work of FABind, a model designed with a focus on speed and accuracy, we present FABind+, an enhanced iteration that largely boosts the performance of its predecessor. We identify pocket prediction as a critical bottleneck in molecular docking and propose a novel methodology that significantly refines pocket prediction, thereby streamlining the docking process. Furthermore, we introduce modifications to the docking module to enhance its pose generation capabilities. In an effort to bridge the gap with conventional sampling/generative methods, we incorporate a simple yet effective sampling technique coupled with a confidence model, requiring only minor adjustments to the regression framework of FABind. Experimental results and analysis reveal that FABind+ remarkably outperforms the original FABind, achieves competitive state-of-the-art performance, and delivers insightful modeling strategies. This demonstrates FABind+ represents a substantial step forward in molecular docking and drug discovery. Our code is in https://github.com/QizhiPei/FABind.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google