DiffDock

Summary

The video is abnormal, and we are working hard to fix it.
Please replace the link and try again.

Takeaways

• 😀 Le canal SBGrid sur YouTube propose des tutoriels sur les logiciels développés par des développeurs et des conférences par des biologistes structuraux.
• 📅 Prochaines conférences prévues : Robin Pearce sur DeepFoldRNA le 12 décembre et Graham Winter sur DIALS en janvier.
• 🔍 La présentation d'aujourd'hui est sur DiffDock, une approche utilisant l'apprentissage profond pour le positionnement moléculaire de petites molécules.
• 🧬 DiffDock nécessite en entrée la structure 3D d'une protéine et le graphe chimique 2D d'une petite molécule, sans connaître sa structure 3D par rapport à la protéine.
• 🔍 Le résultat attendu est la coordonnée 3D de chaque atome de la petite molécule, avec potentiellement plusieurs candidats et des scores pour chacun.
• 🤖 Les méthodes de positionnement traditionnelles reposent sur des fonctions de score pour classer les conformations possibles de la ligande par rapport à la protéine.
• 🚀 DiffDock utilise des modèles génératifs, en particulier les modèles de diffusion, pour modéliser des distributions de probabilité complexes et prédire la position des molécules.
• 🔄 Les modèles de diffusion fonctionnent en ajoutant du bruit aux données et en apprenant à le retirer, ce qui permet de modéliser des structures moléculaires complexes.
• 🏆 DiffDock a été entraîné sur PDBBind, un ensemble de données standard contenant environ 19 000 structures de la PDB, et testé sur des complexes postérieurs à 2019.
• 🏁 DiffDock a montré des performances significatives, notamment sur des structures prédites par AlphaFold, avec une perte de performance moins importante que les méthodes traditionnelles.
• 🔍 DiffDock-pocket, une version améliorée de DiffDock, permet de cibler spécifiquement des poches de liaison et de prédire la réarrangement des chaînes latérales.

The video is abnormal, and we are working hard to fix it.
Please replace the link and try again.