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いて極めて重要なプロセスです。
従来の手法は物理原理に基づい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、これらの手法は時間がかかり、コストがかかることがよくあります。
深層学習ベースのアプローチの出現は、精度と効率の両方の向上をもたらす大きな可能性を示しています。
速度と精度に重点を置いて設計されたモデルである FABind の基礎作業に基づいて、前任者のパフォーマンスを大幅に向上させる強化された反復である FABind+ を紹介します。
私たちはポケット予測が分子ドッキングにおける重大なボトルネックであることを特定し、ポケット予測を大幅に改良してドッキングプロセスを合理化する新しい方法論を提案します。
さらに、ドッキング モジュールに変更を加えて、ポーズ生成機能を強化します。
従来のサンプリング/生成手法とのギャップを埋めるために、信頼度モデルと組み合わせたシンプルかつ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を行うだけで済みます。
実験結果と分析により、FABind+ がオリジナルの FABind を著しく上回り、競争力のある最先端のパフォーマンスを実現し、洞察力に富んだモデリング戦略を提供でき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において大幅な前進を示す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