ترجمه فارسی مقاله مدل انتشار نویز زدایی در سطح هسته محدود چندگانه برای طراحی داروی مبتنی بر ساختار

چکیده

Artificial intelligence models have shown great potential in structure-based drug design, generating ligands with high binding affinities. However, existing models have often overlooked a crucial physical constraint: atoms must maintain a minimum pairwise distance to avoid separation violation, a phenomenon governed by the balance of attractive and repulsive forces. To mitigate such separation violations, we propose NucleusDiff. It models the interactions between atomic nuclei and their surrounding electron clouds by enforcing the distance constraint between the nuclei and manifolds. We quantitatively evaluate NucleusDiff using the CrossDocked2020 dataset and a COVID-19 therapeutic target, demonstrating that NucleusDiff reduces violation rate by up to 100.00% and enhances binding affinity by up to 22.16%, surpassing state-of-the-art models for structure-based drug design. We also provide qualitative analysis through manifold sampling, visually confirming the effectiveness of NucleusDiff in reducing separation violations and improving binding affinities.

چکیده به فارسی (ترجمه ماشینی)

مدل های هوش مصنوعی پتانسیل زیادی در طراحی داروهای مبتنی بر ساختار نشان داده اند که لیگاندهایی با وابستگی های اتصال بالا تولید می کنند.با این حال ، مدلهای موجود غالباً از یک محدودیت جسمی اساسی غافل شده اند: اتمها برای جلوگیری از نقض جدایی ، باید حداقل فاصله زوجی را حفظ کنند ، پدیده ای که با تعادل نیروهای جذاب و دافع کننده اداره می شود.برای کاهش چنین تخلفات جدایی ، ما Nucleusdiff را پیشنهاد می کنیم.این تعامل بین هسته های اتمی و ابرهای الکترون اطراف آنها با اجرای محدودیت فاصله بین هسته ها و مانیفولد ها مدل می کند.ما به طور کمی NucleusDiff را با استفاده از مجموعه داده Crossdocked2020 و یک هدف درمانی COVID-19 ارزیابی می کنیم ، نشان می دهد که Nucleusdiff میزان تخلف را تا 100.00 ٪ کاهش می دهد و باعث افزایش میل و اتصال تا 22.16 ٪ می شود ، و از مدل های حالت-ART برای ساختار مبتنی بر ساختار بالا می رود.طراحی مواد مخدر.ما همچنین تجزیه و تحلیل کیفی را از طریق نمونه گیری منیفولد ارائه می دهیم ، از نظر بصری اثربخشی Nucleusdiff در کاهش تخلفات جداسازی و بهبود وابستگی های اتصال را تأیید می کنیم.