論文の概要: TastepepAI, An artificial intelligence platform for taste peptide de novo design

• arxiv url: http://arxiv.org/abs/2502.12167v1
• Date: Thu, 13 Feb 2025 03:09:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:08:12.501778
• Title: TastepepAI, An artificial intelligence platform for taste peptide de novo design
• Title（参考訳）: 味覚ペプチド・デ・ノボデザインのための人工知能プラットフォームTastepepAI
• Authors: Jianda Yue, Tingting Li, Jian Ouyang, Jiawei Xu, Hua Tan, Zihui Chen, Changsheng Han, Huanyu Li, Songping Liang, Zhonghua Liu, Zhonghua Liu, Ying Wang,
• Abstract要約: TastePepAIは、カスタマイズされた味覚ペプチドの設計と安全性評価のための総合的な人工知能フレームワークである。 本モデルでは, 新規な味覚回避機構を取り入れ, 選択的フレーバー除去が可能となる。 この統合プラットフォームを用いて,甘味,塩味,うまみを呈する73のペプチドを同定した。
• 参考スコア（独自算出の注目度）: 10.809939164353658
• License:
• Abstract: Taste peptides have emerged as promising natural flavoring agents attributed to their unique organoleptic properties, high safety profile, and potential health benefits. However, the de novo identification of taste peptides derived from animal, plant, or microbial sources remains a time-consuming and resource-intensive process, significantly impeding their widespread application in the food industry. Here, we present TastePepAI, a comprehensive artificial intelligence framework for customized taste peptide design and safety assessment. As the key element of this framework, a loss-supervised adaptive variational autoencoder (LA-VAE) is implemented to efficiently optimizes the latent representation of sequences during training and facilitates the generation of target peptides with desired taste profiles. Notably, our model incorporates a novel taste-avoidance mechanism, allowing for selective flavor exclusion. Subsequently, our in-house developed toxicity prediction algorithm (SpepToxPred) is integrated in the framework to undergo rigorous safety evaluation of generated peptides. Using this integrated platform, we successfully identified 73 peptides exhibiting sweet, salty, and umami, significantly expanding the current repertoire of taste peptides. This work demonstrates the potential of TastePepAI in accelerating taste peptide discovery for food applications and provides a versatile framework adaptable to broader peptide engineering challenges.
• Abstract（参考訳）: 味覚ペプチドは、その独特のオルガノラミスト性、高い安全性、潜在的な健康上の利益に起因する有望な香味料として出現している。 しかしながら、動物、植物、微生物由来の味覚ペプチドのデノボ同定は、時間と資源集約的なプロセスであり、食品産業におけるその普及を著しく妨げている。 本稿では,味覚ペプチド設計と安全性評価のための総合的な人工知能フレームワークであるTastePepAIを紹介する。 本フレームワークのキー要素として、学習中の配列の潜伏表現を効率的に最適化し、所望の味覚プロファイルを持つ標的ペプチドの生成を促進するために、損失制御適応型変分オートエンコーダ(LA-VAE)が実装されている。 特に,本モデルには新しい味覚回避機構が組み込まれ,選択的フレーバー除去が可能となった。 その後, 内部で開発した毒性予測アルゴリズム (SpepToxPred) をフレームワークに統合し, 生成ペプチドの厳密な安全性評価を行った。 この統合プラットフォームを用いて,甘味,塩味,うまみを呈する73個のペプチドを同定し,現在の味覚ペプチドのレパートリーを著しく拡大した。 本研究は、食品用味覚ペプチド発見の促進におけるTastePepAIの可能性を示し、幅広いペプチド工学的課題に適応可能な汎用的なフレームワークを提供する。

関連論文リスト

• Hotspot-Driven Peptide Design via Multi-Fragment Autoregressive Extension [34.5830296205857]
  PepHARは、特定のタンパク質を標的としたペプチドを設計するためのホットスポット駆動の自己回帰生成モデルである。 ホットスポットサンプリングとフラグメントベースの拡張を組み合わせることで,ターゲットタンパク質に適合したデノボペプチドの設計が可能となった。
  論文  参考訳（メタデータ） (2024-11-26T15:13:17Z)
• Peptide-GPT: Generative Design of Peptides using Generative Pre-trained Transformers and Bio-informatic Supervision [7.275932354889042]
  異なる性質を持つタンパク質配列を生成するのに適したタンパク質言語モデルを導入する。 生成した配列をそれらの難易度スコアに基づいてランク付けし、タンパク質の許容凸殻の外にある配列をフィルタリングする。 溶血率76.26%, 非溶血率72.46%, 非溶血率78.84%, 溶血率68.06%であった。
  論文  参考訳（メタデータ） (2024-10-25T00:15:39Z)
• PepINVENT: Generative peptide design beyond the natural amino acids [34.04968462561752]
  PepINVENTは、自然および非自然アミノ酸の広大な空間をナビゲートし、有効で新規で多様なペプチドの設計を提案する。 PepINVENTと強化学習を組み合わせることで、その化学インフォームド生成能力を用いてペプチドの目標指向設計が可能になる。
  論文  参考訳（メタデータ） (2024-09-21T06:53:03Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• PPFlow: Target-aware Peptide Design with Torsional Flow Matching [52.567714059931646]
  ペプチド構造設計のためのねじれ角の内部構造をモデル化するために,textscPPFlowと呼ばれるターゲット認識型ペプチド設計手法を提案する。 さらに, PPBench2024というタンパク質-ペプチド結合データセットを構築した。
  論文  参考訳（メタデータ） (2024-03-05T13:26:42Z)
• 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)
• PepLand: a large-scale pre-trained peptide representation model for a comprehensive landscape of both canonical and non-canonical amino acids [0.4348327622270753]
  PepLandは、カノニカルアミノ酸と非カノニカルアミノ酸の両方にまたがるペプチドの表現と性質解析のための新しい事前学習アーキテクチャである。 本質的にPepLandは、ペプチドの微妙な構造表現を明らかにするために、包括的な多視点不均一グラフニューラルネットワークを活用している。
  論文  参考訳（メタデータ） (2023-11-08T01:18:32Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
  標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。 そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-30T09:32:39Z)
• Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine Learning [54.247560894146105]
  短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。 我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
  論文  参考訳（メタデータ） (2022-08-10T13:30:58Z)
• 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)

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。