論文の概要: THFlow: A Temporally Hierarchical Flow Matching Framework for 3D Peptide Design

• arxiv url: http://arxiv.org/abs/2502.15855v2
• Date: Tue, 23 Sep 2025 12:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 16:16:25.550088
• Title: THFlow: A Temporally Hierarchical Flow Matching Framework for 3D Peptide Design
• Title（参考訳）: THFlow: 3次元ペプチド設計のための一時的階層型フローマッチングフレームワーク
• Authors: Dengdeng Huang, Shikui Tu,
• Abstract要約: 多モーダル時間的不整合問題は、低結合性生成ペプチドに寄与する重要な因子である。 本稿では,ペプチドの位置とコンフォーメーションの時間的階層を明示的にモデル化するフローベース生成モデルを提案する。 THFlowは、安定性、親和性、多様性に優れたペプチドを生成する既存の方法よりも優れている。
• 参考スコア（独自算出の注目度）: 14.436723124352817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep generative models provide a promising approach to de novo 3D peptide design. Most of them jointly model the distributions of peptide's position, orientation, and conformation, attempting to simultaneously converge to the target pocket. However, in the early stage of docking, optimizing conformation-only modalities such as rotation and torsion can be physically meaningless, as the peptide is initialized far from the protein pocket and no interaction field is present. We define this problem as the multimodal temporal inconsistency problem and claim it is a key factor contributing to low binding affinity in generated peptides. To address this challenge, we propose THFlow, a novel flow matching-based multimodal generative model that explicitly models the temporal hierarchy between peptide position and conformation. It employs a polynomial based conditional flow to accelerate positional convergence early on, and later aligns it with rotation and torsion for coordinated conformation refinement under the emerging interaction field. Additionally, we incorporate interaction-related features, such as polarity, to further enhance the model's understanding of peptide-protein binding. Extensive experiments demonstrate that THFlow outperforms existing methods in generating peptides with superior stability, affinity, and diversity, offering an effective and accurate solution for advancing peptide-based therapeutic development.
• Abstract（参考訳）: 深層生成モデルは、デノボ3Dペプチドの設計に有望なアプローチを提供する。 それらの多くは、ペプチドの位置、配向、配座の分布を共同でモデル化し、同時に標的のポケットに収束させようとする。 しかし、ドッキングの初期段階では、タンパク質ポケットから遠くにペプチドが初期化され、相互作用場が存在しないため、回転やねじれなどのコンフォメーションのみのモダリティを最適化することは物理的に意味をなさない。 我々は,この問題を多モーダル時間的不整合問題として定義し,生成ペプチドの低結合親和性に寄与する鍵因子であると主張している。 この課題に対処するために、ペプチドの位置とコンフォーメーションの間の時間的階層を明示的にモデル化する新しいフローマッチングに基づくマルチモーダル生成モデルTHFlowを提案する。 多項式ベースの条件流を用いて、早期に位置収束を加速し、その後、出現する相互作用場の下での座標配座洗練のための回転およびねじれと整列する。 さらに、極性などの相互作用に関連した特徴を組み込んで、ペプチド-タンパク質結合に対するモデルの理解をさらに強化する。 THFlowは、安定性、親和性、多様性に優れたペプチドを生成する既存の方法よりも優れており、ペプチドベースの治療開発を進めるための効果的で正確なソリューションを提供する。

関連論文リスト

• Zero-Shot Cyclic Peptide Design via Composable Geometric Constraints [65.77915791312634]
  ゼロショットサイクリックペプチド生成を可能にする新しい生成フレームワークであるCP-Composerを提案する。 提案手法では, 複雑な循環パターンを単位制約に分解し, 拡散モデルに組み込む。 線形ペプチドの訓練にもかかわらず, 標的結合型環状ペプチドを多種に生成し, 成功率は38%から84%である。
  論文  参考訳（メタデータ） (2025-07-06T03:30:45Z)
• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [53.93023688824764]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• CreoPep: A Universal Deep Learning Framework for Target-Specific Peptide Design and Optimization [19.795752582745397]
  コノトキシンのような標的特異的ペプチドは、イオンチャネルや受容体に対する例外的な結合親和性と選択性を示す。 本稿では, プログレッシブマスキング手法とマスク言語モデリングを統合し, 高親和性ペプチド変異体を設計する, 深層学習に基づく条件生成フレームワークであるCreoPepについて述べる。 ニコチン性アセチルコリン受容体を標的としたコノトキシン阻害剤を設計し, 電気生理学的試験においてサブミクロモル活性を達成することにより, このアプローチを検証した。
  論文  参考訳（メタデータ） (2025-05-05T15:56:39Z)
• Efficient optimization and conceptual barriers in variational finite Projected Entangled-Pair States [0.0]
  有限2次元格子上の射影絡み合ったペア状態(PEPS)は、局所多体ハミルトニアンの基底状態を表す自然なアンザッツである。 時間依存変動原理(TDVP)の改良によるPEPSの最適化を提案する。 我々は、長距離相互作用を持つRydberg原子配列の位相図を探索することにより、自然に長距離相互作用を処理できるアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2025-03-16T16:06:44Z)
• Integrating Protein Dynamics into Structure-Based Drug Design via Full-Atom Stochastic Flows [29.49146207945794]
  従来の構造に基づく薬物設計(SBDD)アプローチは、一般的に堅固な構造を持つ結合部位をターゲットにしている。 本稿では,タンパク質ポケットのコンフォメーション変化を考慮したSBDD生成モデルを提案する。 我々は,DynamicFlowがアポポケットやノイズポケットをホロポケットやそれに対応する3D分子に変換することを学習していることを示す。
  論文  参考訳（メタデータ） (2025-03-06T00:34:44Z)
• PDeepPP:A Deep learning framework with Pretrained Protein language for peptide classification [6.55419985735241]
  ペプチド分類のためのトランスフォーマーとCNNを組み合わせたニューラルネットワークを用いて,事前学習されたタンパク質言語モデルを統合するディープラーニングフレームワークを提案する。 このフレームワークは、PTMサイトと生物活性ペプチド予測を含む複数のタスクに適用され、大規模データセットを使用してモデルの堅牢性を高めた。
  論文  参考訳（メタデータ） (2025-02-21T17:31:22Z)
• PepTune: De Novo Generation of Therapeutic Peptides with Multi-Objective-Guided Discrete Diffusion [2.6668932659159905]
  治療ペプチドSMILESの同時生成と最適化のための多目的離散拡散モデルであるPepTuneを提案する。 拡散過程を導出するために,推測時間多目的誘導アルゴリズムであるモンテカルロツリーガイダンス(MCTG)を導入する。 PepTune を用いて, 多様な化学修飾ペプチドを同時に生成し, 複数の治療特性に最適化した。
  論文  参考訳（メタデータ） (2024-12-23T18:38:49Z)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• Full-Atom Peptide Design based on Multi-modal Flow Matching [32.58558711545861]
  フル原子ペプチドの設計のためのフローマッチングフレームワークを基盤とした,最初のマルチモーダル深層生成モデルであるPepFlowについて述べる。 高次元トーラス上で,$mathrmSE(3)$多様体内の剛性バックボーンフレームと側鎖角を用いてペプチド構造を特徴付ける。 提案手法は,固定バックボーンシーケンス設計や部分サンプリングによるサイドチェーンパッキングなど,様々なタスクに順応的に取り組む。
  論文  参考訳（メタデータ） (2024-06-02T12:59:54Z)
• 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)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• AlphaFold Meets Flow Matching for Generating Protein Ensembles [11.1639408863378]
  本研究では,タンパク質のコンフォメーション・ランドスケープを学習・サンプリングするためのフローベース生成モデリング手法を開発した。 提案手法はAlphaFoldとMSAサブサンプリングと比較して精度と多様性の組合せが優れている。 本手法は,MD軌道の再現よりも高速な壁面収束により,静的なPDB構造を多様化することができる。
  論文  参考訳（メタデータ） (2024-02-07T13:44:47Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• 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)
• Designing a Prospective COVID-19 Therapeutic with Reinforcement Learning [50.57291257437373]
  SARS-CoV-2パンデミックは、治療のための世界的なレースを生み出した。 1つのアプローチは、ヒトアンジオテンシン変換酵素2(ACE2)の新規な変異体の設計に焦点を当てる 我々は、強化学習問題として、新しいタンパク質設計の枠組みを定式化する。
  論文  参考訳（メタデータ） (2020-12-03T07:35:38Z)

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。