WEKO3
アイテム
タンパク質-リガンド間結合ポーズ評価のためのグラフニューラルネットワークの知識蒸留による推論高速化
https://ipsj.ixsq.nii.ac.jp/records/226496
https://ipsj.ixsq.nii.ac.jp/records/226496605d9adb-f3f7-416f-8ee3-944e2bff7070
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
IPSJ-MPS23143028.pdf (1.1 MB)
2025年6月22日からダウンロード可能です。
|
Copyright (c) 2023 by the Information Processing Society of Japan
|
|
| 非会員：¥660, IPSJ:学会員：¥330, MPS:会員：¥0, DLIB:会員：¥0 | ||
| Item type | SIG Technical Reports(1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2023-06-22 | |||||||||
| タイトル | ||||||||||
| タイトル | タンパク質-リガンド間結合ポーズ評価のためのグラフニューラルネットワークの知識蒸留による推論高速化 | |||||||||
| タイトル | ||||||||||
| 言語 | en | |||||||||
| タイトル | Acceleration of inference of graph neural networks for protein-ligand binding pose evaluation by knowledge distillation | |||||||||
| 言語 | ||||||||||
| 言語 | jpn | |||||||||
| キーワード | ||||||||||
| 主題Scheme | Other | |||||||||
| 主題 | バイオ情報学1 | |||||||||
| 資源タイプ | ||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_18gh | |||||||||
| 資源タイプ | technical report | |||||||||
| 著者所属 | ||||||||||
| 東京工業大学情報理工学院情報工学系 | ||||||||||
| 著者所属 | ||||||||||
| 東京工業大学情報理工学院情報工学系 | ||||||||||
| 著者所属(英) | ||||||||||
| en | ||||||||||
| Department of Computer Science, School of Computing, Tokyo Institute of Technology | ||||||||||
| 著者所属(英) | ||||||||||
| en | ||||||||||
| Department of Computer Science, School of Computing, Tokyo Institute of Technology | ||||||||||
| 著者名 |
帆足, 航平
× 帆足, 航平
× 石田, 貴士
|
|||||||||
| 論文抄録 | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | 新たな薬剤化合物の発見のためのドッキングシミュレーションでは高精度で高速な結合ポーズ評価が必要となる．従来のドッキングシミュレーション手法では，結合ポーズ評価を原子間距離ベースのスコアリング関数が多く用いられている．一方で深層学習を利用したモデルは高精度な代わりに実行速度に問題があるため，ドッキングシミュレーション中で使われることは少なく，出力された結合ポーズの評価で使用されることが一般的である．そこで本研究では，深層学習モデルの高速化手法の 1 つである知識蒸留を用いて，予測精度と推論速度を両立するドッキングシミュレーション向けの結合ポーズ評価モデルの開発を行った．その結果，知識蒸留法の 1 つである LSP 法を用いることで元モデルより4倍近い高速化を実現できた．また，入力データをバッチ化して複数同時に処理することで 6 倍近い高速化できることも確認できた． | |||||||||
| 論文抄録(英) | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | Docking simulation for discovery of new drug compounds requires accurate and speedy binding pose evaluation. Conventional docking simulation methods often use interatomic distance-based scoring functions to evaluate binding poses. On the other hand, deep learning models are highly accurate but have problems with execution speed, so they are generally used for evaluation of output binding poses rather than docking simulations. In this research, we developed a binding pose evaluation model for docking simulation that achieves both prediction accuracy and inference speed by using knowledge distillation, which is methods for speeding up deep learning models. As a result, speedup of about four times that of the original model were achieved by using LSP method which is knowledge distillation. | |||||||||
| 書誌レコードID | ||||||||||
| 収録物識別子タイプ | NCID | |||||||||
| 収録物識別子 | AN10505667 | |||||||||
| 書誌情報 |
研究報告数理モデル化と問題解決（MPS） 巻 2023-MPS-143, 号 28, p. 1-6, 発行日 2023-06-22 |
|||||||||
| ISSN | ||||||||||
| 収録物識別子タイプ | ISSN | |||||||||
| 収録物識別子 | 2188-8833 | |||||||||
| Notice | ||||||||||
| SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc. | ||||||||||
| 出版者 | ||||||||||
| 言語 | ja | |||||||||
| 出版者 | 情報処理学会 | |||||||||
