ترجمه فارسی مقاله چه چیزی طراحی داروی مبتنی بر ساختار AILS: بیان بیش از حد یا بیش از حد؟

چکیده

Several generative models with elaborate training and sampling procedures have been proposed recently to accelerate structure-based drug design (SBDD); however, perplexingly, their empirical performance turns out to be suboptimal. We seek to better understand this phenomenon from both theoretical and empirical perspectives. Since most of these models apply graph neural networks (GNNs), one may suspect that they inherit the representational limitations of GNNs. We analyze this aspect, establishing the first such results for protein-ligand complexes. A plausible counterview may attribute the underperformance of these models to their excessive parameterizations, inducing expressivity at the expense of generalization. We also investigate this possibility with a simple metric-aware approach that learns an economical surrogate for affinity to infer an unlabelled molecular graph and optimizes for labels conditioned on this graph and molecular properties. The resulting model achieves state-of-the-art results using 100x fewer trainable parameters and affords up to 1000x speedup. Collectively, our findings underscore the need to reassess and redirect the existing paradigm and efforts for SBDD.

چکیده به فارسی (ترجمه ماشینی)

چندین مدل تولیدی با روشهای آموزش و نمونه برداری دقیق اخیراً برای تسریع در طراحی داروهای مبتنی بر ساختار (SBDD) ارائه شده است.با این حال ، به طرز حیرت انگیزی ، عملکرد تجربی آنها به نظر می رسد زیر حد متوسط ​​است.ما به دنبال درک بهتر این پدیده از دیدگاه نظری و تجربی هستیم.از آنجا که بیشتر این مدل ها از شبکه های عصبی نمودار (GNN) استفاده می کنند ، ممکن است گمان می کند که آنها محدودیت های بازنمایی GNN ها را به ارث می برند.ما این جنبه را تجزیه و تحلیل می کنیم و اولین نتایج از این دست را برای مجتمع های پروتئین لیگاند ایجاد می کنیم.یک پیشخوان قابل قبول ممکن است کم کاری این مدلها را به پارامترهای بیش از حد آنها نسبت دهد ، و القاء بیانگر با هزینه تعمیم.ما همچنین این امکان را با یک رویکرد ساده آگاهی از متریک بررسی می کنیم که یک جانشین اقتصادی را برای وابستگی می آموزد تا یک نمودار مولکولی بدون نمایش را استنباط کند و برای برچسب های مشروط بر این نمودار و خصوصیات مولکولی بهینه شود.مدل حاصل با استفاده از پارامترهای قابل آموزش 100 برابر کمتر به نتایج پیشرفته می رسد و حداکثر سرعت 1000 برابر را به خود اختصاص می دهد.در مجموع ، یافته های ما بر لزوم ارزیابی مجدد و تغییر مسیر پارادایم موجود و تلاش های SBDD تأکید می کند.