論文の概要: HelixDesign-Binder: A Scalable Production-Grade Platform for Binder Design Built on HelixFold3
- arxiv url: http://arxiv.org/abs/2505.21873v1
- Date: Wed, 28 May 2025 01:39:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-29 17:35:50.356086
- Title: HelixDesign-Binder: A Scalable Production-Grade Platform for Binder Design Built on HelixFold3
- Title（参考訳）: HelixDesign-Binder: HelixFold3上に構築されたBinder設計のためのスケーラブルなプロダクショングレードプラットフォーム
- Authors: Jie Gao, Jun Li, Jing Hu, Shanzhuo Zhang, Kunrui Zhu, Yueyang Huang, Xiaonan Zhang, Xiaomin Fang,
- Abstract要約: HelixDesign-Binderは、HelixFold3上に構築されたプロダクショングレードの高スループットプラットフォームである。
バックボーン生成やシーケンス設計から構造評価、多次元スコアリングに至るまで、完全なバインダー設計パイプラインを自動化する。
6つのタンパク質ターゲットのベンチマークは、HelixDesign-Binderが多種多様な高品質なバインダーを確実に生成していることを示している。
- 参考スコア（独自算出の注目度）: 8.334401922056841
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Protein binder design is central to therapeutics, diagnostics, and synthetic biology, yet practical deployment remains challenging due to fragmented workflows, high computational costs, and complex tool integration. We present HelixDesign-Binder, a production-grade, high-throughput platform built on HelixFold3 that automates the full binder design pipeline, from backbone generation and sequence design to structural evaluation and multi-dimensional scoring. By unifying these stages into a scalable and user-friendly system, HelixDesign-Binder enables efficient exploration of binder candidates with favorable structural, energetic, and physicochemical properties. The platform leverages Baidu Cloud's high-performance infrastructure to support large-scale design and incorporates advanced scoring metrics, including ipTM, predicted binding free energy, and interface hydrophobicity. Benchmarking across six protein targets demonstrates that HelixDesign-Binder reliably produces diverse and high-quality binders, some of which match or exceed validated designs in predicted binding affinity. HelixDesign-Binder is accessible via an interactive web interface in PaddleHelix platform, supporting both academic research and industrial applications in antibody and protein binder development.
- Abstract（参考訳）: タンパク質バインダーの設計は治療、診断、合成生物学の中心であるが、断片化されたワークフロー、高い計算コスト、複雑なツールの統合のため、実用的な展開は依然として困難である。
We present HelixDesign-Binder, a production-grade, high-throughput platform built on HelixFold3 that makes a full binder design pipeline, from backbone generation and sequence design, to structure evaluation and multi-dimensional score。
これらの段階をスケーラブルでユーザフレンドリなシステムに統一することにより、HelixDesign-Binderは、構造的、エネルギー的、物理化学的特性が好ましいバインダー候補の効率的な探索を可能にする。
このプラットフォームはBaidu Cloudのハイパフォーマンスインフラストラクチャを活用して大規模設計をサポートし、ipTM、予測自由エネルギー、インターフェイス疎水性など高度なスコアリングメトリクスを取り入れている。
6つのタンパク質ターゲットのベンチマークにより、HelixDesign-Binderは多種多様な高品質なバインダーを確実に生成し、そのうちのいくつかは予測されたバインダー親和性において検証された設計に適合または超えている。
HelixDesign-BinderはPaddleHelixプラットフォームのインタラクティブなWebインターフェースを通じてアクセスでき、抗体とタンパク質結合体の開発における学術研究と工業的応用の両方をサポートする。
関連論文リスト
- DS-ProGen: A Dual-Structure Deep Language Model for Functional Protein Design [21.43301218674909]
逆タンパク質フォールディング(英: inverse protein Folding)は、タンパク質設計の分野における重要なサブタスクである。
本稿では,機能的タンパク質設計のための二重構造深層言語モデルDS-ProGenを提案する。
バックボーン座標と表面化学および幾何学的記述子を次のアミノ酸予測パラダイムに組み込むことで、DS-ProGenは機能的に関連し、構造的に安定な配列を生成することができる。
論文 参考訳（メタデータ） (2025-05-18T18:08:35Z) - Pan-protein Design Learning Enables Task-adaptive Generalization for Low-resource Enzyme Design [44.258193520999484]
我々は、事前学習されたタンパク質言語モデル(PPLM)を利用するドメイン適応型フレームワークであるCrossDesignを紹介する。
タンパク質構造を配列と整合させることで、CrossDesignは制限された構造データの制限を克服し、事前訓練された知識を構造モデルに転送する。
実験結果はCrossDesignの優れたパフォーマンスとロバスト性、特にドメイン外酵素について強調した。
論文 参考訳（メタデータ） (2024-11-26T17:51:33Z) - GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。
種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
論文 参考訳（メタデータ） (2024-11-03T19:45:15Z) - PILOT: Equivariant diffusion for pocket conditioned de novo ligand generation with multi-objective guidance via importance sampling [8.619610909783441]
等変拡散モデル PILOT を用いて,$textitde novo$ で 3次元リガンド構造を生成するためのシリカ内アプローチを提案する。
その多目的的重要度サンプリング戦略は、モデルが望ましい特性を示す分子に向けられるよう設計されている。
我々はPILOTを用いて、Kinodata-3Dデータセットから未確認タンパク質ポケットの新しいメトリクスを生成する。
論文 参考訳（メタデータ） (2024-05-23T17:58:28Z) - 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) - Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。
MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。
実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2023-12-11T10:59:23Z) - Fin-QD: A Computational Design Framework for Soft Grippers: Integrating
MAP-Elites and High-fidelity FEM [14.554559832990835]
この研究は、指をベースとしたソフトグリップの広大な設計空間を計算的に探索する際のギャップを埋めると同時に、単純な制御方式で大きな幾何学的に異なるオブジェクトタイプを把握している。
論文 参考訳（メタデータ） (2023-11-21T09:38:03Z) - HydraScreen: A Generalizable Structure-Based Deep Learning Approach to
Drug Discovery [0.0]
HydraScreenは、より堅牢な機械学習による薬物発見のためのフレームワークを提供することを目指している。
我々は最先端の3D畳み込みニューラルネットワークを用いて、タンパク質-リガンド結合における分子構造と相互作用を表現している。
HydraScreenはユーザフレンドリなGUIと公開APIを提供し、個々のタンパク質-リガンド複合体の簡易な評価を容易にする。
論文 参考訳（メタデータ） (2023-09-22T18:48:34Z) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳（メタデータ） (2023-06-20T14:21:58Z) - 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) - Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model
for Protein Design [70.27706384570723]
Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。
Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。
フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
論文 参考訳（メタデータ） (2021-06-24T14:34:24Z)
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。