Fugu-MT 論文翻訳(概要): Controllable Protein Sequence Generation with LLM Preference Optimization

論文の概要: Controllable Protein Sequence Generation with LLM Preference Optimization

arxiv url: http://arxiv.org/abs/2501.15007v1
Date: Sat, 25 Jan 2025 00:59:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-28 13:54:31.270169
Title: Controllable Protein Sequence Generation with LLM Preference Optimization
Title（参考訳）: LLM選好最適化による制御可能なタンパク質配列生成
Authors: Xiangyu Liu, Yi Liu, Silei Chen, Wei Hu,
Abstract要約: 我々はCtrlProtと呼ばれる新しい制御可能なタンパク質設計法を提案する。実験により、CtrlProtは機能と構造安定性の要求を効果的に満たせることが示された。
参考スコア（独自算出の注目度）: 19.28325662879149
License:
Abstract: Designing proteins with specific attributes offers an important solution to address biomedical challenges. Pre-trained protein large language models (LLMs) have shown promising results on protein sequence generation. However, to control sequence generation for specific attributes, existing work still exhibits poor functionality and structural stability. In this paper, we propose a novel controllable protein design method called CtrlProt. We finetune a protein LLM with a new multi-listwise preference optimization strategy to improve generation quality and support multi-attribute controllable generation. Experiments demonstrate that CtrlProt can meet functionality and structural stability requirements effectively, achieving state-of-the-art performance in both single-attribute and multi-attribute protein sequence generation.
Abstract（参考訳）: 特定の属性を持つタンパク質を設計することは、生物医学的な課題に対処するための重要な解決策となる。 LLM(pre-trained protein large language model)は、タンパク質配列の生成において有望な結果を示す。しかしながら、特定の属性に対するシーケンス生成を制御するために、既存の作業は依然として機能不足と構造安定性を示している。本稿では,CtrlProtと呼ばれる新規な制御可能なタンパク質設計法を提案する。生成品質を改善し,マルチ属性制御可能な生成をサポートするために,新規なマルチリストワイズ選好最適化戦略でタンパク質LLMを微調整する。実験により、CtrlProtは機能と構造安定性の要求を効果的に満たし、単一属性と多属性のタンパク質配列の生成において最先端の性能を達成することが示されている。

関連論文リスト

Multi-Modal CLIP-Informed Protein Editing [8.927362207499181]
マルチモーダル学習による効率的なCLIPインフォームドタンパク質編集のためのProtETと呼ばれる新しい手法を提案する。我々のアプローチは2つの段階から構成される: 事前学習段階において、コントラスト学習は2つの大きな言語モデル(LLM)によって符号化されたタンパク質-バイオテキスト表現を整列する。タンパク質編集段階では、対象タンパク質配列を生成するための最終編集条件として、命令テキストと元のタンパク質配列の編集から融合した特徴がある。
論文参考訳（メタデータ） (2024-07-27T16:41:08Z)
Reinforcement Learning for Sequence Design Leveraging Protein Language Models [14.477268882311991]
本稿では,タンパク質言語モデル(PLM)を報酬関数として利用し,新たな配列を生成することを提案する。我々はRLベースのアプローチをベンチマークするために、様々なシーケンス長に関する広範な実験を行う。生物学的妥当性とタンパク質の多様性に関する総合的な評価を行った。
論文参考訳（メタデータ） (2024-07-03T14:31:36Z)
Diffusion on language model embeddings for protein sequence generation [0.5442686600296733]
連続拡散を利用したアミノ酸配列生成モデルであるDiMAを導入する。優れたパフォーマンスをもたらす設計選択の影響を定量的に説明します。我々のアプローチは、タンパク質空間の構造的および機能的多様性を正確に反映する、新規で多様なタンパク質配列を一貫して生成する。
論文参考訳（メタデータ） (2024-03-06T14:15:20Z)
Diffusion Language Models Are Versatile Protein Learners [75.98083311705182]
本稿では,タンパク質配列の強い生成および予測能力を示す多目的なタンパク質言語モデルである拡散タンパク質言語モデル(DPLM)を紹介する。まず, 自己制御型離散拡散確率フレームワークを用いて, 進化的タンパク質配列からのスケーラブルDPLMの事前学習を行った。プレトレーニング後、DPLMは非条件生成のための構造的に可塑性で新規で多様なタンパク質配列を生成する能力を示す。
論文参考訳（メタデータ） (2024-02-28T18:57:56Z)
xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering the Language of Protein [74.64101864289572]
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)
Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
論文参考訳（メタデータ） (2023-12-07T03:25:49Z)
Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。 pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文参考訳（メタデータ） (2023-02-03T10:49:52Z)
Plug & Play Directed Evolution of Proteins with Gradient-based Discrete MCMC [1.0499611180329804]
機械学習ベースのタンパク質工学の長年の目標は、新しい突然変異の発見を加速することである。本稿では,シリコにおけるタンパク質の進化のためのサンプリングフレームワークについて紹介する。これらのモデルを構成することで、未知の突然変異を評価し、機能的タンパク質を含む可能性のある配列空間の領域を探索する能力を向上させることを目指している。
論文参考訳（メタデータ） (2022-12-20T00:26:23Z)
Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文参考訳（メタデータ） (2022-05-20T19:38:00Z)
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)
EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。