論文の概要: Non-Canonical Crosslinks Confound Evolutionary Protein Structure Models

• arxiv url: http://arxiv.org/abs/2503.17368v1
• Date: Sun, 09 Mar 2025 08:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-30 08:01:19.378541
• Title: Non-Canonical Crosslinks Confound Evolutionary Protein Structure Models
• Title（参考訳）: 非カノニカル架橋と進化的タンパク質構造モデル
• Authors: Romain Lacombe,
• Abstract要約: 稀なリボソーム合成ペプチドと翻訳後修飾ペプチドのクラスである sacRitipeptides をベースとしたドメイン外ベンチマークを行った。 翻訳後修飾を行った10種のサチペプチドの架橋ブリッジに適合するコンフォメーション予測モデルについて検討した。 本研究は, 生体分子構造予測の進歩を持続する物理インフォームドモデルの必要性を示唆するものである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Evolution-based protein structure prediction models have achieved breakthrough success in recent years. However, they struggle to generalize beyond evolutionary priors and on sequences lacking rich homologous data. Here we present a novel, out-of-domain benchmark based on sactipeptides, a rare class of ribosomally synthesized and post-translationally modified peptides (RiPPs) characterized by sulfur-to-$\alpha$-carbon thioether bridges creating cross-links between cysteine residues and backbone. We evaluate recent models on predicting conformations compatible with these cross-links bridges for the 10 known sactipeptides with elucidated post-translational modifications. Crucially, the structures of 5 of them have not yet been experimentally resolved. This makes the task a challenging problem for evolution-based models, which we find exhibit limited performance (0.0% to 19.2% GDT-TS on sulfur-to-$\alpha$-carbon distance). Our results point at the need for physics-informed models to sustain progress in biomolecular structure prediction.
• Abstract（参考訳）: 進化に基づくタンパク質構造予測モデルは近年、画期的な成功を収めている。 しかし、彼らは進化の先行点を超えて、豊富なホモロジーデータを持たない配列を一般化するのに苦労している。 ここでは,システイン残基と背骨の架橋を形成する硫黄-アルファ$-カルボニルチオエーテル架橋を特徴とするリボソーム合成後修飾ペプチド(RiPP)の希少なクラスである,サリチペプチドに基づく新規なドメイン外ベンチマークを提案する。 翻訳後修飾を行った10種のサチペプチドの架橋ブリッジに適合するコンフォメーションの予測モデルについて検討した。 重要なことに、これらの5つの構造はまだ実験的に解決されていない。 これにより、このタスクは進化に基づくモデルでは難しい問題となり、性能は0.0%から19.2%のGDT-TSが硫黄からドル=アルファ$-カーボン距離にあることが判明した。 本研究は, 生体分子構造予測の進歩を持続する物理インフォームドモデルの必要性を指摘する。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,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 GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Retrieval-Enhanced Mutation Mastery: Augmenting Zero-Shot Prediction of Protein Language Model [3.4494754789770186]
  タンパク質モデリングの深層学習法は従来の手法に比べて低コストで優れた結果を示した。 突然変異効果予測において、事前学習されたディープラーニングモデルの鍵は、タンパク質配列、構造、機能の間の複雑な関係を正確に解釈することにある。 本研究では,配列と局所構造相互作用から自然特性を包括的に解析する検索強化タンパク質言語モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:28:51Z)
• Large-Scale Multi-omic Biosequence Transformers for Modeling Peptide-Nucleotide Interactions [2.84640003522012]
  本研究は,最初のマルチオミックヌクレオチド-ペプチド基盤モデルについて述べる。 これらのマルチオミクスモデルは、様々な単一オミクス分布間の結合表現を学習可能であることを示す。 また,MOMはペプチド-ヌクレオチド相互作用タスクにおける最先端の結果を得るために微調整できることを示した。
  論文  参考訳（メタデータ） (2024-08-29T03:56:40Z)
• 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)
• 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)
• 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)
• Predicting protein variants with equivariant graph neural networks [0.0]
  我々は,同変グラフニューラルネットワーク(EGNN)と配列に基づくアプローチによる有望なアミノ酸変異の同定能力の比較を行った。 提案する構造的アプローチは, より少ない分子で訓練しながら, 配列に基づくアプローチと競合する性能を実現する。
  論文  参考訳（メタデータ） (2023-06-21T12:44:52Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Unsupervisedly Prompting AlphaFold2 for Few-Shot Learning of Accurate Folding Landscape and Protein Structure Prediction [28.630603355510324]
  そこで我々は,メタ生成モデルであるEvoGenを提案し,貧弱なMSAターゲットに対するAlphaFold2のアンダーパフォーマンスを改善する。 EvoGenは、キャリブレーションまたは実質的に生成されたホモログシーケンスでモデルにプロンプトすることで、AlphaFold2を低データで正確に折り畳むのに役立つ。
  論文  参考訳（メタデータ） (2022-08-20T10:23:17Z)

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。