論文の概要: Floating Anchor Diffusion Model for Multi-motif Scaffolding

• arxiv url: http://arxiv.org/abs/2406.03141v1
• Date: Wed, 5 Jun 2024 10:54:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 18:50:02.249856
• Title: Floating Anchor Diffusion Model for Multi-motif Scaffolding
• Title（参考訳）: マルチモチーフ共有のためのフローティングアンカー拡散モデル
• Authors: Ke Liu, Weian Mao, Shuaike Shen, Xiaoran Jiao, Zheng Sun, Hao Chen, Chunhua Shen,
• Abstract要約: 先行研究は、塗装や条件付き生成によってこの問題にアプローチする。 フローティングアンカー拡散(FADiff)モデルを提案する。 FADiffは、モチーフの存在を保証する拡散の過程において、厳格かつ独立してモチーフが浮かぶことを可能にする。
• 参考スコア（独自算出の注目度）: 44.568645532021804
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motif scaffolding seeks to design scaffold structures for constructing proteins with functions derived from the desired motif, which is crucial for the design of vaccines and enzymes. Previous works approach the problem by inpainting or conditional generation. Both of them can only scaffold motifs with fixed positions, and the conditional generation cannot guarantee the presence of motifs. However, prior knowledge of the relative motif positions in a protein is not readily available, and constructing a protein with multiple functions in one protein is more general and significant because of the synergies between functions. We propose a Floating Anchor Diffusion (FADiff) model. FADiff allows motifs to float rigidly and independently in the process of diffusion, which guarantees the presence of motifs and automates the motif position design. Our experiments demonstrate the efficacy of FADiff with high success rates and designable novel scaffolds. To the best of our knowledge, FADiff is the first work to tackle the challenge of scaffolding multiple motifs without relying on the expertise of relative motif positions in the protein. Code is available at https://github.com/aim-uofa/FADiff.
• Abstract（参考訳）: モチフの足場は、ワクチンや酵素の設計に欠かせない、所望のモチーフから派生した機能を持つタンパク質を構築するための足場構造を設計することを目指している。 先行研究は、塗装や条件付き生成によってこの問題にアプローチする。 どちらも固定位置の足場モチーフしか持たず、条件生成はモチーフの存在を保証できない。 しかし、タンパク質の相対的なモチーフ位置に関する事前の知識は容易には得られず、1つのタンパク質に複数の機能を持つタンパク質を構築することは、機能間の相乗効果のためにより一般的で重要なものである。 フローティングアンカー拡散(FADiff)モデルを提案する。 FADiffは、拡散の過程でモチーフが厳格かつ独立して浮き上がることを可能にし、モチーフの存在を保証し、モチーフの位置設計を自動化する。 実験では, 高い成功率と設計可能な新規足場を有するFADiffの有効性を実証した。 我々の知る限りでは、FADiffはタンパク質の相対的なモチーフ位置の専門知識に頼ることなく、複数のモチーフを足場として扱うという課題に取り組む最初の試みである。 コードはhttps://github.com/aim-uofa/FADiffで入手できる。

関連論文リスト

• Bridge-IF: Learning Inverse Protein Folding with Markov Bridges [32.53142367116483]
  逆タンパク質折り畳みは計算タンパク質設計の基本的な課題である。 逆折り畳みのための生成拡散ブリッジモデルであるBridge-IFを提案する。 以上の結果から,Bridge-IFは配列回復において既存のベースラインを超え,高い折りたたみ性を有する可塑性タンパク質の設計に優れることがわかった。
  論文  参考訳（メタデータ） (2024-11-04T14:35:14Z)
• CBGBench: Fill in the Blank of Protein-Molecule Complex Binding Graph [66.11279161533619]
  CBGBenchは構造ベースドラッグデザイン(SBDD)のベンチマークである 既存のメソッドを属性に基づいて分類することで、CBGBenchは様々な最先端メソッドを実装している。 我々は,これらのモデルを薬物設計に不可欠なタスクに適応させてきた。
  論文  参考訳（メタデータ） (2024-06-16T08:20:24Z)
• Out of Many, One: Designing and Scaffolding Proteins at the Scale of the Structural Universe with Genie 2 [8.136125904765755]
  我々はGenie 2を導入し、より大きく、より多様なタンパク質構造空間をキャプチャするためにGenieを拡張した。 Genie 2は、新しいマルチモチーフフレームワークを通じてモチーフスキャフォールディング機能を追加する。 非条件生成と条件生成の両方で、Genie 2は最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-24T12:11:41Z)
• Improved motif-scaffolding with SE(3) flow matching [56.53693775654178]
  タンパク質のバックボーン生成のためのSE(3)フローマッチングモデルであるFrameFlowを拡張し,2つの相補的なアプローチでモチーフ・スキャフォールディングを行う。 1つ目はモチーフ・アモーティゼーション(motif amortization)で、FrameFlowはデータ拡張戦略を使用してモチーフを入力としてトレーニングする。 2つ目はモチーフガイダンスで、追加のトレーニングなしでFrameFlowから条件スコアを推定して足場化を行う。
  論文  参考訳（メタデータ） (2024-01-08T18:38:00Z)
• CONFORM: Contrast is All You Need For High-Fidelity Text-to-Image Diffusion Models [48.10798436003449]
  テキスト間の拡散モデルによって生成された画像は、提供されたテキストプロンプトの意味的な意図を忠実に表現するとは限らない。 私たちの研究は、対照的な文脈でこの課題に取り組むことによって、新しい視点を導入します。 さまざまなシナリオにまたがって広範な実験を行い、それぞれがオブジェクト、属性、シーンのユニークな組み合わせを含む。
  論文  参考訳（メタデータ） (2023-12-11T01:42:15Z)
• 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)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• Pre-Training Protein Encoder via Siamese Sequence-Structure Diffusion Trajectory Prediction [29.375830561817047]
  タンパク質の自己教師付き事前学習法が近年注目され、ほとんどのアプローチはタンパク質配列または構造に焦点をあてている。 配列構造共分散モデルを用いて,タンパク質エンコーダを事前学習するためのDiffPreT手法を提案する。 我々は,シムズ拡散軌道予測(SiamDiff)と呼ばれる手法によりDiffPreTを強化し,タンパク質の異なるコンホメータ間の相関を捉える。
  論文  参考訳（メタデータ） (2023-01-28T02:48:20Z)
• Diffusion probabilistic modeling of protein backbones in 3D for the motif-scaffolding problem [32.3917919535559]
  現在の足場設計のための機械学習技術は、非現実的に小さな足場に限られるか、複数の多様な足場を作り出すのに苦労している。 本稿では,E(3)-同変グラフニューラルネットワークを用いて,多様で長いタンパク質のバックボーン構造の分布を学習することを提案する。 所与のモチーフに条件付き分布からスキャフォールドを効率よくサンプリングするSMCDiffを開発した。
  論文  参考訳（メタデータ） (2022-06-08T18:35:08Z)

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。