論文の概要: Predicting mutational effects on protein binding from folding energy

• arxiv url: http://arxiv.org/abs/2507.05502v1
• Date: Mon, 07 Jul 2025 21:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.358329
• Title: Predicting mutational effects on protein binding from folding energy
• Title（参考訳）: 折りたたみエネルギーからのタンパク質結合に対する突然変異効果の予測
• Authors: Arthur Deng, Karsten Householder, Fang Wu, Sebastian Thrun, K. Christopher Garcia, Brian Trippe,
• Abstract要約: 本稿では,タンパク質配列モデリングと折り畳み安定性予測の進歩を活用するトランスファーラーニング手法を提案する。 折りたたみエネルギーのプロキシとして,事前学習した逆折り畳みモデルを用いることで,ゼロショット性能が向上することを示す。 得られた予測器 StaB-ddG は、最先端の実験力場法 FoldX の精度に適合する最初のディープラーニング予測器である。
• 参考スコア（独自算出の注目度）: 3.2750365257196803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate estimation of mutational effects on protein-protein binding energies is an open problem with applications in structural biology and therapeutic design. Several deep learning predictors for this task have been proposed, but, presumably due to the scarcity of binding data, these methods underperform computationally expensive estimates based on empirical force fields. In response, we propose a transfer-learning approach that leverages advances in protein sequence modeling and folding stability prediction for this task. The key idea is to parameterize the binding energy as the difference between the folding energy of the protein complex and the sum of the folding energies of its binding partners. We show that using a pre-trained inverse-folding model as a proxy for folding energy provides strong zero-shot performance, and can be fine-tuned with (1) copious folding energy measurements and (2) more limited binding energy measurements. The resulting predictor, StaB-ddG, is the first deep learning predictor to match the accuracy of the state-of-the-art empirical force-field method FoldX, while offering an over 1,000x speed-up.
• Abstract（参考訳）: タンパク質結合エネルギーに対する突然変異効果の正確な推定は、構造生物学および治療設計への応用においてオープンな問題である。 このタスクの深層学習予測器がいくつか提案されているが、おそらく結合データの不足のため、これらの手法は経験的力場に基づいて計算的に高価な見積もりを下方修正する。 そこで本研究では,タンパク質配列モデリングとフォールディング安定性予測の進歩を生かしたトランスファーラーニング手法を提案する。 鍵となる考え方は、結合エネルギーをタンパク質複合体の折りたたみエネルギーと結合パートナーの折りたたみエネルギーの和との差としてパラメータ化することである。 折りたたみエネルギーのプロキシとして事前学習した逆折り曲げモデルを用いることで、強いゼロショット性能が得られ、(1)共振エネルギー測定と(2)より限定的な結合エネルギー測定で微調整できることを示す。 得られた予測器 StaB-ddG は、最先端の実証力場法 FoldX の精度に適合し、1000倍以上のスピードアップを提供する最初のディープラーニング予測器である。

関連論文リスト

• Mass Balance Approximation of Unfolding Improves Potential-Like Methods for Protein Stability Predictions [0.0]
  ディープラーニング戦略は分野を前進させてきたが、標準的な手法での利用はリソースの要求により制限されている。 本研究は、展開状態を考慮した質量バランス補正(MBC)を導入することにより、これらの手法を著しく強化することを示す。 多くの機械学習モデルは、このバランスを部分的にモデル化しているが、我々の分析は、展開状態の洗練された表現が予測性能を向上させることを示唆している。
  論文  参考訳（メタデータ） (2025-04-09T11:53:02Z)
• Boltzmann-Aligned Inverse Folding Model as a Predictor of Mutational Effects on Protein-Protein Interactions [48.58317905849438]
  結合自由エネルギーの変化を予測する(Delta Delta G$)ことはタンパク質-タンパク質相互作用の理解と調節に不可欠である。 本稿では,事前学習した逆折り畳みモデルから$Delta Delta G$予測への知識伝達のためのボルツマンアライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-10-12T14:13:42Z)
• Loop-Diffusion: an equivariant diffusion model for designing and scoring protein loops [0.0]
  ループ拡散(Loop-Diffusion)は、関数予測タスクに一般化するエネルギー関数を学ぶエネルギーベースの拡散モデルである。 我々は,TCR-pMHCインタフェースの評価におけるLoop-Diffusionの性能を評価し,結合強調突然変異の認識における最先端の結果を示す。
  論文  参考訳（メタデータ） (2024-09-26T18:34:06Z)
• SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
  タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。 伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。 この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
  論文  参考訳（メタデータ） (2024-07-10T08:40:07Z)
• 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)
• FlexVDW: A machine learning approach to account for protein flexibility in ligand docking [4.511923587827301]
  深層学習モデルは、ファンデルワールスエネルギーを予測する際に、受容体の柔軟性を暗黙的に考慮するよう訓練された。 この機械学習エネルギー項を最先端の物理に基づくスコアリング関数に組み込むことで、小さな分子リガンドが予測結果を改善できることが示される。
  論文  参考訳（メタデータ） (2023-03-20T23:19:05Z)
• 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)
• 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)
• Energy-based models for atomic-resolution protein conformations [88.68597850243138]
  原子スケールで動作するタンパク質コンホメーションのエネルギーモデル(EBM)を提案する。 このモデルは、結晶化されたタンパク質のデータにのみ訓練されている。 モデル出力と隠された表現の研究により、タンパク質エネルギーに関連する物理化学的性質を捉えることが判明した。
  論文  参考訳（メタデータ） (2020-04-27T20:45:12Z)

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。