論文の概要: E(3)-invaraint diffusion model for pocket-aware peptide generation
- arxiv url: http://arxiv.org/abs/2410.21335v1
- Date: Sun, 27 Oct 2024 19:59:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-30 13:41:28.598240
- Title: E(3)-invaraint diffusion model for pocket-aware peptide generation
- Title（参考訳）: ポケット認識ペプチド生成のためのE(3)インバラント拡散モデル
- Authors: Po-Yu Liang, Jun Bai,
- Abstract要約: コンピュータ支援型インヒビター発見の新しい手法として,de novo pocket-aware peptide structureとシーケンス生成ネットワークを提案する。
以上の結果から,本手法は最先端モデルに匹敵する性能を示す。
- 参考スコア（独自算出の注目度）: 1.9950682531209156
- License:
- Abstract: Biologists frequently desire protein inhibitors for a variety of reasons, including use as research tools for understanding biological processes and application to societal problems in agriculture, healthcare, etc. Immunotherapy, for instance, relies on immune checkpoint inhibitors to block checkpoint proteins, preventing their binding with partner proteins and boosting immune cell function against abnormal cells. Inhibitor discovery has long been a tedious process, which in recent years has been accelerated by computational approaches. Advances in artificial intelligence now provide an opportunity to make inhibitor discovery smarter than ever before. While extensive research has been conducted on computer-aided inhibitor discovery, it has mainly focused on either sequence-to-structure mapping, reverse mapping, or bio-activity prediction, making it unrealistic for biologists to utilize such tools. Instead, our work proposes a new method of computer-assisted inhibitor discovery: de novo pocket-aware peptide structure and sequence generation network. Our approach consists of two sequential diffusion models for end-to-end structure generation and sequence prediction. By leveraging angle and dihedral relationships between backbone atoms, we ensure an E(3)-invariant representation of peptide structures. Our results demonstrate that our method achieves comparable performance to state-of-the-art models, highlighting its potential in pocket-aware peptide design. This work offers a new approach for precise drug discovery using receptor-specific peptide generation.
- Abstract（参考訳）: 生物学者は、しばしば、生物学的プロセスを理解するための研究ツールとしての使用や、農業、医療などにおける社会問題への応用など、様々な理由でタンパク質阻害薬を欲しがる。
例えば免疫療法は、免疫チェックポイント阻害薬を使ってチェックポイントタンパク質をブロックし、パートナータンパク質との結合を防ぎ、異常な細胞に対する免疫細胞機能を増強する。
インヒビター発見は長年、面倒なプロセスであり、近年は計算手法によって加速されている。
人工知能の進歩は、これまで以上にインヒビター発見を賢くする機会を提供する。
コンピュータ支援型インヒビター発見の研究が盛んに行われているが、主に配列から構造へのマッピング、逆マッピング、あるいは生物活性予測に焦点を当てており、生物学者がそのようなツールを使うのは非現実的である。
そこで本研究では,de novo pocket-aware peptide structureとシーケンス生成ネットワークという,コンピュータ支援型インヒビター発見の新しい手法を提案する。
提案手法は,エンドツーエンド構造生成とシーケンス予測のための2つの逐次拡散モデルから構成される。
バックボーン原子間の角度と二面関係を利用して、ペプチド構造のE(3)不変表現を確実にする。
以上の結果から,本手法は最新技術モデルに匹敵する性能を示し,ポケット認識ペプチド設計の可能性を強調した。
この研究は、受容体特異的ペプチド生成を用いた薬物の正確な発見のための新しいアプローチを提供する。
関連論文リスト
- GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。
このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。
また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
論文 参考訳（メタデータ） (2025-02-11T05:39:49Z) - Leveraging Induced Transferable Binding Principles for Associative Prediction of Novel Drug-Target Interactions [13.23471591766483]
BioBridgeは、限られたシーケンスデータを用いて、新規なドラッグとターゲットの相互作用を予測する。
変換可能なバインディング原理を蓄積するために、逆行訓練を備えたマルチレベルエンコーダが組み込まれている。
これは、上皮成長因子受容体とアデノシン受容体の仮想スクリーニングに有効であることが証明され、薬物発見におけるその可能性を裏付けている。
論文 参考訳（メタデータ） (2025-01-26T08:22:22Z) - Exploring Latent Space for Generating Peptide Analogs Using Protein Language Models [1.5146068448101742]
提案手法は,大規模データセットの必要を回避し,関心の連続を1つだけ要求する。
ペプチド構造, 転写因子, 生体活性の類似度指標では, ベースラインモデルよりも有意に改善した。
論文 参考訳（メタデータ） (2024-08-15T13:37:27Z) - BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。
BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。
6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文 参考訳（メタデータ） (2024-05-27T19:57:17Z) - PepGB: Facilitating peptide drug discovery via graph neural networks [36.744839520938825]
ペプチド-タンパク質相互作用(PepPIs)を予測することにより、ペプチドの早期発見を容易にする深層学習フレームワークPepGBを提案する。
我々は、リード生成と最適化プロセスでよく見られる高度に不均衡なデータのモデリングのボトルネックに取り組むために、拡張バージョンの diPepGB を導出する。
論文 参考訳（メタデータ） (2024-01-26T06:13:09Z) - 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) - BeeTLe: A Framework for Linear B-Cell Epitope Prediction and
Classification [0.43512163406551996]
本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。
そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。
最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-09-05T09:18:29Z) - xTrimoABFold: De novo Antibody Structure Prediction without MSA [77.47606749555686]
我々は、抗体配列から抗体構造を予測するために、xTrimoABFoldという新しいモデルを開発した。
CDRにおけるドメイン特異的焦点損失のアンサンブル損失とフレーム整合点損失を最小化することにより,PDBの抗体構造をエンドツーエンドにトレーニングした。
論文 参考訳（メタデータ） (2022-11-30T09:26:08Z) - Using Genetic Programming to Predict and Optimize Protein Function [65.25258357832584]
我々は,進化的手法に基づく遺伝的プログラミングツールPOETを提案し,方向性進化におけるスクリーニングと変異原性を高める。
概念実証として, 化学交換飽和移動機構によって検出されたMRIコントラストを生成するペプチドを用いる。
以上の結果から,POETのような計算モデリングツールは,従来よりも400%優れた機能性を持つペプチドを見つけるのに有効であることが示唆された。
論文 参考訳（メタデータ） (2022-02-08T18:08:08Z) - AI-Bind: Improving Binding Predictions for Novel Protein Targets and
Ligands [9.135203550164833]
現状のモデルは、新しい構造への一般化に失敗することを示す。
ネットワークベースのサンプリング戦略と教師なし事前トレーニングを組み合わせたパイプラインであるAI-Bindを紹介する。
我々は,SARS-CoV-2ウイルスタンパク質に結合した薬剤や天然化合物を予測し,AI-Bindの価値を説明する。
論文 参考訳（メタデータ） (2021-12-25T01:52:58Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳（メタデータ） (2020-05-22T15:57:58Z)
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。