DiffDock: 分子ドッキングのための拡散ステップ、ねじれ、および曲がり

小分子リガンドがタンパク質に結合する構造を予測するタスク、すなわち分子ドッキングは、薬剤設計において極めて重要である。最近の深層学習手法では、ドッキングを回帰問題として扱うことで従来の探索ベースの手法よりも実行時間が短縮されたが、精度向上にはまだ十分な改善が見られていない。本研究では、分子ドッキングを生成モデル問題として捉え直し、非ユークリッド多様体上のリガンドポーズに対する拡散生成モデルDiffDockを開発した。これを行うために、この多様体をドッキングに関与する自由度（並進、回転、ねじれ）の積空間にマッピングし、この空間上で効率的な拡散プロセスを開発した。経験的に、DiffDockはPDBBindでRMSD<2Åのトップ1成功率38%を達成し、従来のドッキング手法（23%）や深層学習手法（20%）の最新技術を大幅に上回っている。さらに、以前の手法では計算的に折りたたまれた構造へのドッキングが困難であった（最大精度10.4%）一方で、DiffDockは著しく高い精度（21.7%）を維持している。最後に、DiffDockは高速な推論時間を持ち、高い選択性精度での信頼性推定も提供している。