論文の概要: MetaEnzyme: Meta Pan-Enzyme Learning for Task-Adaptive Redesign
- arxiv url: http://arxiv.org/abs/2408.10247v1
- Date: Mon, 5 Aug 2024 15:48:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-25 14:11:11.653084
- Title: MetaEnzyme: Meta Pan-Enzyme Learning for Task-Adaptive Redesign
- Title（参考訳）: MetaEnzyme: タスク適応型再設計のためのメタパン酵素学習
- Authors: Jiangbin Zheng, Han Zhang, Qianqing Xu, An-Ping Zeng, Stan Z. Li,
- Abstract要約: 酵素設計フレームワークのMetaEnzymeを紹介する。
本稿では, 機能設計, 突然変異設計, シーケンス生成設計の3つの基本的低リソース酵素再設計タスクに焦点をあてる。
新たな統一パラダイムと拡張表現能力を通じて、MetaEnzymeは多様な酵素設計タスクへの適応性を実証し、優れた結果をもたらす。
- 参考スコア（独自算出の注目度）: 38.16281084360049
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enzyme design plays a crucial role in both industrial production and biology. However, this field faces challenges due to the lack of comprehensive benchmarks and the complexity of enzyme design tasks, leading to a dearth of systematic research. Consequently, computational enzyme design is relatively overlooked within the broader protein domain and remains in its early stages. In this work, we address these challenges by introducing MetaEnzyme, a staged and unified enzyme design framework. We begin by employing a cross-modal structure-to-sequence transformation architecture, as the feature-driven starting point to obtain initial robust protein representation. Subsequently, we leverage domain adaptive techniques to generalize specific enzyme design tasks under low-resource conditions. MetaEnzyme focuses on three fundamental low-resource enzyme redesign tasks: functional design (FuncDesign), mutation design (MutDesign), and sequence generation design (SeqDesign). Through novel unified paradigm and enhanced representation capabilities, MetaEnzyme demonstrates adaptability to diverse enzyme design tasks, yielding outstanding results. Wet lab experiments further validate these findings, reinforcing the efficacy of the redesign process.
- Abstract（参考訳）: 酵素設計は工業生産と生物学の両方において重要な役割を担っている。
しかし、この分野は、包括的なベンチマークの欠如と酵素設計タスクの複雑さのために課題に直面しており、体系的な研究の波及につながっている。
その結果、計算酵素の設計はより広いタンパク質ドメインの中で比較的見過ごされ、その初期段階に留まっている。
本稿では,酵素設計の段階的・統一的なフレームワークであるMetaEnzymeを導入することで,これらの課題に対処する。
まず、機能駆動型開始点として、クロスモーダル構造-シーケンス変換アーキテクチャを用いて、初期ロバストなタンパク質表現を得る。
その後、低リソース条件下での特定の酵素設計タスクを一般化するために、ドメイン適応技術を活用する。
MetaEnzymeは、機能設計(FuncDesign)、突然変異設計(MutDesign)、シーケンス生成設計(SeqDesign)の3つの基本的な低リソース酵素再設計タスクに焦点を当てている。
新たな統一パラダイムと拡張表現能力を通じて、MetaEnzymeは多様な酵素設計タスクへの適応性を実証し、優れた結果をもたらす。
Wet lab experiment further evidence these findings, further further the effective of the redesign process。
関連論文リスト
- EnzymeFlow: Generating Reaction-specific Enzyme Catalytic Pockets through Flow Matching and Co-Evolutionary Dynamics [51.47520281819253]
酵素設計はバイオテクノロジーにおいて重要な領域であり、医薬品開発から合成生物学まで幅広い応用がある。
酵素機能予測やタンパク質結合ポケット設計の伝統的な手法は、しばしば酵素-基質相互作用の動的および複雑な性質を捉えるのに不足する。
本稿では, 触媒ポケットを生成するために, 階層的事前学習と酵素-反応共進化を用いたフローマッチングを用いた生成モデルであるEnzymeFlowを紹介する。
論文 参考訳（メタデータ） (2024-10-01T02:04:01Z) - A Comprehensive Review of Emerging Approaches in Machine Learning for De Novo PROTAC Design [1.534667887016089]
標的タンパク質分解(TPD)は、細胞の自然分解経路を利用して細胞内のタンパク質レベルを調節することを目的としている。
プロテオリシス標的キメラ(PROTAC)はPD戦略の中心にある。
このような複雑な分子を設計するための伝統的な手法には限界がある。
論文 参考訳（メタデータ） (2024-06-24T14:42:27Z) - Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。
突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
論文 参考訳（メタデータ） (2024-05-16T03:53:21Z) - Generative AI for Controllable Protein Sequence Design: A Survey [2.3502958706414905]
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。
論文 参考訳（メタデータ） (2024-02-16T09:05:02Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - 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) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳（メタデータ） (2022-11-29T17:28:31Z) - 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) - PDBench: Evaluating Computational Methods for Protein Sequence Design [2.0187324832551385]
本稿では, タンパク質のベンチマークを行い, 深層学習法の性能評価試験を提案する。
我々の堅牢なベンチマークは、その性能と実用性を評価するのに欠かせない設計手法の振る舞いに関する生物学的知見を提供する。
論文 参考訳（メタデータ） (2021-09-16T12:20:03Z) - Emergent Hand Morphology and Control from Optimizing Robust Grasps of
Diverse Objects [63.89096733478149]
多様な物体をつかむために、効果的なハンドデザインが自然に現れるデータ駆動型アプローチを紹介します。
形態と把持スキルを共同で効率的に設計するベイズ最適化アルゴリズムを開発した。
我々は,新しい物体をつかむための堅牢で費用効率のよい手形態を発見するためのアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2020-12-22T17:52:29Z)
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。