論文の概要: CreoPep: A Universal Deep Learning Framework for Target-Specific Peptide Design and Optimization

• arxiv url: http://arxiv.org/abs/2505.02887v1
• Date: Mon, 05 May 2025 15:56:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.066197
• Title: CreoPep: A Universal Deep Learning Framework for Target-Specific Peptide Design and Optimization
• Title（参考訳）: CreoPep: ターゲット特化ペプチド設計と最適化のためのユニバーサルディープラーニングフレームワーク
• Authors: Cheng Ge, Han-Shen Tae, Zhenqiang Zhang, Lu Lu, Zhijie Huang, Yilin Wang, Tao Jiang, Wenqing Cai, Shan Chang, David J. Adams, Rilei Yu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.795752582745397
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Target-specific peptides, such as conotoxins, exhibit exceptional binding affinity and selectivity toward ion channels and receptors. However, their therapeutic potential remains underutilized due to the limited diversity of natural variants and the labor-intensive nature of traditional optimization strategies. Here, we present CreoPep, a deep learning-based conditional generative framework that integrates masked language modeling with a progressive masking scheme to design high-affinity peptide mutants while uncovering novel structural motifs. CreoPep employs an integrative augmentation pipeline, combining FoldX-based energy screening with temperature-controlled multinomial sampling, to generate structurally and functionally diverse peptides that retain key pharmacological properties. We validate this approach by designing conotoxin inhibitors targeting the $\alpha$7 nicotinic acetylcholine receptor, achieving submicromolar potency in electrophysiological assays. Structural analysis reveals that CreoPep-generated variants engage in both conserved and novel binding modes, including disulfide-deficient forms, thus expanding beyond conventional design paradigms. Overall, CreoPep offers a robust and generalizable platform that bridges computational peptide design with experimental validation, accelerating the discovery of next-generation peptide therapeutics.
• Abstract（参考訳）: 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。 しかし、それらの治療法の可能性は、天然変種が限られており、従来の最適化戦略の労働集約的な性質のため、未利用のままである。 本稿では,CreoPepについて述べる。CreoPep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,新しい構造モチーフを明らかにしつつ,高親和性ペプチド変異体を設計する。 CreoPepは、FoldXベースのエネルギースクリーニングと温度制御されたマルチノミアルサンプリングを組み合わせて、重要な薬理特性を保持する構造的かつ機能的に多様なペプチドを生成する統合的増強パイプラインを使用している。 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, 電気生理学的測定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。 構造解析により、クレオペプ生成型は、ジスルフィド欠損型を含む保存型と新規な結合モードの両方に関与しており、従来の設計パラダイムを超えて拡張されていることが明らかになった。 CreoPepは、実験的な検証によって計算ペプチドの設計を橋渡しし、次世代のペプチド治療薬の発見を加速する、堅牢で一般化可能なプラットフォームを提供する。

関連論文リスト

• Non-Linear Flow Matching for Full-Atom Peptide Design [7.291207131213438]
  NLFlowは非線形フローマッチングに基づく新しいマルチフォールドアプローチである。 位置、回転、ねじれ、アミノ酸タイプにまたがる時間的不整合を捉える。 これにより、モデルが生物学的ドッキングプロセスで観察される真のコンフォメーション変化とよりよく整合することができる。
  論文  参考訳（メタデータ） (2025-02-21T06:49:49Z)
• 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。 我々は, 標的結合親和性, 膜透過性, 溶解性, 溶血性, 非汚濁性など, 複数の治療特性に最適化された多種多様な修飾ペプチドを生成する。 以上の結果から,PepTuneは離散状態空間における多目的シーケンス設計において,強力かつモジュール化されたアプローチであることを示す。
  論文  参考訳（メタデータ） (2024-12-23T18:38:49Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• 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)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• 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)
• 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)

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。