LamNet:薬剤発見やそれ以上のための拘束力のある自由エネルギー計算を加速するための錬金術経路認識グラフニューラルネットワーク
Renling Hu1,2,3,4, Jialu Wu1,4, Qun Su1,4
1College of Pharmaceutical Sciences, Department of Pharmaceutical Sciences, Zhejiang University, Hangzhou 310058, China.
新しいグラフニューラルネットワークであるLamNetは,伝統的な方法よりも早く,タンパク質-リガンド結合の自由エネルギーを正確に予測します. この物理学に基づくツールは,錬金術的な自由エネルギー法 (AFEM) を最適化することで,薬剤発見を加速します.
科学分野:
- 計算化学はコンピュータ化学である.
- ドラッグ・ディスカバリー・ドラッグ・ディスカバリー
- 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) というものです.
背景:
- タンパク質-リガンド結合の自由エネルギーの正確な予測は,薬剤発見に不可欠ですが,計算的に集中しています.
- 伝統的な錬金術自由エネルギー法 (AFEM) は正確だが,遅くて複雑である.
- 現在のディープラーニング (DL) モデルは一般化性がなく,大規模なデータセットを必要としています.
研究 の 目的:
- 結合自由エネルギーの正確かつ効率的な予測のための新しいディープラーニングモデル,LamNetを開発する.
- 物理情報に基づく表現と錬金術経路情報をグラフニューラルネットワークに統合する.
- AFEMを改善し,計算コストを削減することにより,薬剤発見のワークフローを加速する.
主な方法:
- アルケミカルパスを認識するグラフニューラルネットワークであるLamNetを開発した.
- 統合されたエンドポイント分子状態と錬金術経路 (λ) を物理情報に基づくフレームワークに.
- 信頼性メトリクスの分子動力学データで訓練され,相対的および絶対的結合自由エネルギーを予測します.
主要な成果:
- LamNetは,さまざまなデータセット (463のリガンド,16のタンパク質) に関して,最先端の方法よりも優れたまたは比較可能なパフォーマンスを達成しました.
- 伝統的なAFEMと比較して,最大1000倍の加速が実証されています.
- 改善されたAFEM収束のために λ-スケジュールを成功裏に最適化しました.
結論:
- LamNetは,結合の自由エネルギーを予測するための一般化可能で,物理に基礎を置く,費用対効果の高いツールです.
- DL駆動の薬物発見に計算物理を統合するための新しい枠組みを提供します.
- 計算を大幅に加速し,薬剤発見パイプラインの効率を高めます.
さらに関連する動画
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
05:30Soft Pneumatic Robot Modulates Graph Theory Metrics of Brain Network for Hand Rehabilitation After Stroke
Published on: October 10, 2025
関連する概念動画
Calculating Standard Free Energy Changes
Nuclear Binding Energy
Drug Discovery: Overview
Self-Awareness and Its Effects
The Equilibrium Binding Constant and Binding Strength
Protein Networks
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
