論文の概要: BindEnergyCraft: Casting Protein Structure Predictors as Energy-Based Models for Binder Design
- arxiv url: http://arxiv.org/abs/2505.21241v1
- Date: Tue, 27 May 2025 14:21:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-28 17:05:58.716778
- Title: BindEnergyCraft: Casting Protein Structure Predictors as Energy-Based Models for Binder Design
- Title（参考訳）: BindEnergyCraft:Binder設計のためのエネルギーモデルとしてのタンパク質構造予測器
- Authors: Divya Nori, Anisha Parsan, Caroline Uhler, Wengong Jin,
- Abstract要約: タンパク質結合体の設計は、構造予測信頼度を最適化する幻覚に基づく手法によって変換されている。
本稿では,その信頼度をエネルギーベースモデル(EBM)として再解釈することで,構造予測器からそのような可能性を取り出す手法を提案する。
BindCraftと同じ最適化フレームワークを維持しつつ、ipTMをエネルギーベースの目的に置き換える設計パイプラインであるBindEnergyCraft(BECraft)にpTMEnergyを組み入れています。
- 参考スコア（独自算出の注目度）: 12.81916814006593
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Protein binder design has been transformed by hallucination-based methods that optimize structure prediction confidence metrics, such as the interface predicted TM-score (ipTM), via backpropagation. However, these metrics do not reflect the statistical likelihood of a binder-target complex under the learned distribution and yield sparse gradients for optimization. In this work, we propose a method to extract such likelihoods from structure predictors by reinterpreting their confidence outputs as an energy-based model (EBM). By leveraging the Joint Energy-based Modeling (JEM) framework, we introduce pTMEnergy, a statistical energy function derived from predicted inter-residue error distributions. We incorporate pTMEnergy into BindEnergyCraft (BECraft), a design pipeline that maintains the same optimization framework as BindCraft but replaces ipTM with our energy-based objective. BECraft outperforms BindCraft, RFDiffusion, and ESM3 across multiple challenging targets, achieving higher in silico binder success rates while reducing structural clashes. Furthermore, pTMEnergy establishes a new state-of-the-art in structure-based virtual screening tasks for miniprotein and RNA aptamer binders.
- Abstract（参考訳）: タンパク質バインダーの設計は、バックプロパゲーションを介してTMスコア(ipTM)などの構造予測信頼度を最適化する幻覚に基づく手法によって変換されている。
しかし、これらの指標は、学習された分布の下でバインダー・ターゲット複合体の統計的確率を反映せず、最適化のためにスパース勾配を生じる。
本研究では,その信頼度をエネルギーベースモデル(EBM)として再解釈することで,構造予測器からそのような可能性を取り出す手法を提案する。
JEM(Joint Energy-based Modeling)フレームワークを活用することで,予測された残差分布から導かれる統計エネルギー関数pTMEnergyを導入する。
BindCraftと同じ最適化フレームワークを維持しつつ、ipTMをエネルギーベースの目的に置き換える設計パイプラインであるBindEnergyCraft(BECraft)にpTMEnergyを組み入れています。
BECraftはBindCraft、RFDiffusion、ESM3よりも優れており、シリコバインダーの成功率の向上と構造的な衝突の低減を実現している。
さらに、pTMEnergyは、ミニタンパク質とRNAアプタマー結合体のための構造ベースの仮想スクリーニングタスクにおいて、新しい最先端技術を確立している。
関連論文リスト
- Unpacking Positional Encoding in Transformers: A Spectral Analysis of Content-Position Coupling [10.931433906211534]
ポジショナルエンコーディング(PE)は、トランスフォーマーがシーケンシャルな構造をモデル化できるようにするために不可欠である。
本稿では,Toeplitzと関連する行列のスペクトル特性からPEを解析する統一フレームワークを提案する。
我々は, PE設計の鍵となる原理として, 相対配置Toeplitz信号を用いた明示的コンテンツ相対混合を確立する。
論文 参考訳（メタデータ） (2025-05-19T12:11:13Z) - S'MoRE: Structural Mixture of Residual Experts for LLM Fine-tuning [17.579948649237497]
我々は,LoRAの効率とMoEの柔軟性をシームレスに統合する新しいフレームワークであるResidual Experts (S'MoRE)を提案する。
具体的には、S'MoREはエキスパートウェイトを階層的に低ランクに分解し、多層構造に相互接続した様々な順序の残基を生成する。
我々はS'MoREが従来のMoE(Mixture-of-LoRA)の「構造的柔軟性」を指数的順序で改善することを証明する。
論文 参考訳（メタデータ） (2025-04-08T20:54:00Z) - Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials [0.0]
ツイストされた層状バンダーワールス材料は、しばしば、非ツイストの材料に欠如しているユニークな電子的および光学的特性を示す。
本稿では、層内相互作用と層間相互作用を分離する、マシン学習型原子間ポテンシャルとデータセットキュレーション手法を提案する。
本手法は,様々な層内相互作用モデルや層間相互作用モデルとシームレスに統合し,モワール材料の計算的緩和を可能にする。
論文 参考訳（メタデータ） (2025-03-19T17:14:02Z) - PERFT: Parameter-Efficient Routed Fine-Tuning for Mixture-of-Expert Model [30.620582168350698]
Mixture-of-Experts (MoE) は、リソース利用を改善することでトランスフォーマーをスケールするための強力なアプローチとして登場した。
PEFT(Efficient Fine-Tuning)に関する最近の研究から着想を得て,PEFTモジュールを直接MoE機構に統合するための統一フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-12T22:03:37Z) - 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) - Parameter-Efficient Mixture-of-Experts Architecture for Pre-trained
Language Models [68.9288651177564]
量子多体物理学から行列積演算子(MPO)に基づく新しいMoEアーキテクチャを提案する。
分解されたMPO構造により、元のMoEアーキテクチャのパラメータを減らすことができる。
GPT2に基づく3つの有名な下流自然言語データセットの実験は、モデルキャパシティの向上における性能と効率の向上を示している。
論文 参考訳（メタデータ） (2022-03-02T13:44:49Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - 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) - A Supervised Machine Learning Approach for Accelerating the Design of
Particulate Composites: Application to Thermal Conductivity [0.0]
粒子状多機能複合材料の設計のための教師付き機械学習(ML)に基づく計算手法を提案する。
設計変数(英: design variables)は、材料のミクロ構造と材料の性質を直接リンクする物理的記述子である。
最適化ML法は, 生成データベース上で学習し, 構造と特性の複雑な関係を確立する。
論文 参考訳（メタデータ） (2020-09-30T18:18:00Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。