要約
分子ドッキングは創薬と設計における主要な要素です。
小分子のタンパク質への結合をシミュレートすることで、リガンドとタンパク質の相互作用を予測できます。
多数のドッキング アルゴリズムが利用可能であるにもかかわらず、さまざまなドッキング シナリオにわたって他のアルゴリズムよりも一貫して優れたパフォーマンスを発揮する単一のアルゴリズムはありません。
この論文では、ブラインド ドッキング状況における分子ドッキングのための新しいグラフ ニューラル ネットワーク (GNN) ベースの自動アルゴリズム選択システムである GNNAS-Dock を紹介します。
GNN は、リガンドとタンパク質の両方の複雑な構造データの処理に対応します。
固有のグラフのような特性を利用して、さまざまな条件下でのさまざまなドッキング アルゴリズムのパフォーマンスを予測します。
この研究では、2 つの主な目的を追求しています。1) 平方根平均平方根偏差 (RMSD) の観点から各候補ドッキング アルゴリズムのパフォーマンスを予測し、それによって特定のシナリオに対して最も正確な方法を特定します。
2) ドッキングのケースごとに最適な計算効率の高いドッキング アルゴリズムを選択し、高精度を維持しながらドッキングに必要な時間を短縮することを目指します。
約 5,300 対のタンパク質-リガンド複合体を含む PDBBind 2020 の洗練されたセットに対するアプローチを検証します。
要約(オリジナル)
Molecular docking is a major element in drug discovery and design. It enables the prediction of ligand-protein interactions by simulating the binding of small molecules to proteins. Despite the availability of numerous docking algorithms, there is no single algorithm consistently outperforms the others across a diverse set of docking scenarios. This paper introduces GNNAS-Dock, a novel Graph Neural Network (GNN)-based automated algorithm selection system for molecular docking in blind docking situations. GNNs are accommodated to process the complex structural data of both ligands and proteins. They benefit from the inherent graph-like properties to predict the performance of various docking algorithms under different conditions. The present study pursues two main objectives: 1) predict the performance of each candidate docking algorithm, in terms of Root Mean Square Deviation (RMSD), thereby identifying the most accurate method for specific scenarios; and 2) choose the best computationally efficient docking algorithm for each docking case, aiming to reduce the time required for docking while maintaining high accuracy. We validate our approach on PDBBind 2020 refined set, which contains about 5,300 pairs of protein-ligand complexes.
arxiv情報
著者 | Yiliang Yuan,Mustafa Misir |
発行日 | 2024-11-19 16:01:54+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google