論文の概要: Generative AI for Controllable Protein Sequence Design: A Survey

• arxiv url: http://arxiv.org/abs/2402.10516v1
• Date: Fri, 16 Feb 2024 09:05:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 17:07:12.331671
• Title: Generative AI for Controllable Protein Sequence Design: A Survey
• Title（参考訳）: 制御可能なタンパク質配列設計のための生成AI:サーベイ
• Authors: Yiheng Zhu, Zitai Kong, Jialu Wu, Weize Liu, Yuqiang Han, Mingze Yin, Hongxia Xu, Chang-Yu Hsieh and Tingjun Hou
• Abstract要約: 我々は、制御可能なタンパク質配列設計のための生成AIの最近の進歩を体系的にレビューする。 まず,タンパク質配列設計における基礎的課題を,制約の観点から概説する。 次に、各デザインタスクの詳細なレビューを行い、関連するアプリケーションについて議論します。
• 参考スコア（独自算出の注目度）: 2.3502958706414905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design of novel protein sequences with targeted functionalities underpins a central theme in protein engineering, impacting diverse fields such as drug discovery and enzymatic engineering. However, navigating this vast combinatorial search space remains a severe challenge due to time and financial constraints. This scenario is rapidly evolving as the transformative advancements in AI, particularly in the realm of generative models and optimization algorithms, have been propelling the protein design field towards an unprecedented revolution. In this survey, we systematically review recent advances in generative AI for controllable protein sequence design. To set the stage, we first outline the foundational tasks in protein sequence design in terms of the constraints involved and present key generative models and optimization algorithms. We then offer in-depth reviews of each design task and discuss the pertinent applications. Finally, we identify the unresolved challenges and highlight research opportunities that merit deeper exploration.
• Abstract（参考訳）: 標的となる機能を持つ新規タンパク質配列の設計は、タンパク質工学の中心的なテーマとなり、薬物発見や酵素工学などの様々な分野に影響を与える。 しかし、この膨大な組み合わせ検索スペースをナビゲートすることは、時間と金銭的制約のために深刻な課題である。 このシナリオは、AIの革新的進歩、特に生成モデルと最適化アルゴリズムの領域において、タンパク質設計分野を前例のない革命へと推進し、急速に進化している。 本稿では、制御可能なタンパク質配列設計のための生成AIの最近の進歩を体系的にレビューする。 ステージを設定するために,まず,タンパク質配列設計における基本課題を,関連する制約の観点から概説し,キー生成モデルと最適化アルゴリズムを提案する。 次に、各デザインタスクの詳細なレビューを行い、関連するアプリケーションについて議論します。 最後に,未解決の課題を特定し,深い探究に資する研究機会を強調する。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Protein Design by Integrating Machine Learning with Quantum Annealing and Quantum-inspired Optimization [0.0]
  タンパク質設計の問題は、与えられた三次元構造に折り畳まれたポリペプチド配列を見つけることである。 最近の機械学習のブレークスルーにより、正確で迅速な構造予測が可能になった。 本稿では,機械学習と量子インスパイアされたアルゴリズムのアルゴリズム的および技術的進歩を統合できる汎用的なタンパク質設計手法を提案する。
  論文  参考訳（メタデータ） (2024-07-09T18:42:45Z)
• Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
  次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。 本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。 本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
  論文  参考訳（メタデータ） (2024-04-13T02:39:36Z)
• xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering the Language of Protein [76.18058946124111]
  本稿では,タンパク質の理解と生成を同時に行うために,統一されたタンパク質言語モデル xTrimoPGLM を提案する。 xTrimoPGLMは、4つのカテゴリにわたる18のタンパク質理解ベンチマークにおいて、他の高度なベースラインを著しく上回っている。 また、自然の原理に従ってデノボタンパク質配列を生成でき、微調整を監督した後にプログラム可能な生成を行うことができる。
  論文  参考訳（メタデータ） (2024-01-11T15:03:17Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Generative artificial intelligence for de novo protein design [1.2021565114959365]
  生成的アーキテクチャは、新しいが現実的なタンパク質を生成するには適しているようだ。 設計プロトコルは20%近い実験的な成功率を達成した。 広範な進歩にもかかわらず、フィールド全体の課題は明らかである。
  論文  参考訳（メタデータ） (2023-10-15T00:02:22Z)
• Protein Sequence Design with Batch Bayesian Optimisation [0.0]
  タンパク質配列設計は、有用な生物学的機能を持つ新規タンパク質の発見を目的とした、タンパク質工学における挑戦的な問題である。 有向進化は、実験室環境における進化のサイクルを模倣し、反復的プロトコルを実行する、タンパク質配列設計のための広く使われているアプローチである。 本稿では,タンパク質配列設計のための最適化手法であるBatch Bayesian Optimization (Batch BO) に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-18T14:53:20Z)
• Structured Q-learning For Antibody Design [82.78798397798533]
  抗体設計における重要なステップの1つは、病原体との結合を改善するタンパク質配列中のアミノ酸の配列を見つけることである。 非常に大きな探索空間と非線形目的のために、抗体の組合せ最適化は困難である。 従来の強化学習を抗体設計の最適化に適用すると、性能は低下する。 本稿では,Q-ラーニングの拡張であるQ-ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-09-10T15:36:55Z)
• ODBO: Bayesian Optimization with Search Space Prescreening for Directed Protein Evolution [18.726398852721204]
  タンパク質指向進化のための効率的で実験的な設計指向のクローズドループ最適化フレームワークを提案する。 ODBOは、新しい低次元タンパク質エンコーディング戦略と、外乱検出による検索空間事前スクリーニングによって強化されたベイズ最適化を組み合わせている。 本研究は, タンパク質指向進化実験を4回実施し, 興味のある変異を見出すためのフレームワークの能力を実証した。
  論文  参考訳（メタデータ） (2022-05-19T13:21:31Z)
• Protein sequence design with deep generative models [0.34410212782758054]
  深層生成法の新たな分野に焦点を当てたタンパク質配列生成のための機械学習の最近の応用について強調する。 タンパク質工学は、最適化された性質を持つタンパク質配列を同定しようとする。 機械学習によって誘導されると、タンパク質配列生成法は、このプロセスを改善するための事前の知識と実験的努力を引き出すことができる。
  論文  参考訳（メタデータ） (2021-04-09T16:08:15Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。