Fugu-MT 論文翻訳(概要): Generation of structure-guided pMHC-I libraries using Diffusion Models

論文の概要: Generation of structure-guided pMHC-I libraries using Diffusion Models

arxiv url: http://arxiv.org/abs/2507.08902v1
Date: Fri, 11 Jul 2025 08:29:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-15 18:48:21.76727
Title: Generation of structure-guided pMHC-I libraries using Diffusion Models
Title（参考訳）: 拡散モデルを用いた構造誘導型pMHC-Iライブラリの生成
Authors: Sergio Mares, Ariel Espinoza Weinberger, Nilah M. Ioannidis,
Abstract要約: 結晶距離に条件付き拡散モデルを用いて設計したpMHC-Iペプチドの構造誘導型ベンチマークを提案する。このベンチマークは、以前に特徴付けられたペプチドとは独立して、標準アンカー残基の嗜好を再現する。これらの構造的安定な設計の結合ポテンシャルを認識するためには,最先端のシーケンスベースの予測器が不十分であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Personalized vaccines and T-cell immunotherapies depend critically on identifying peptide-MHC class I (pMHC-I) interactions capable of eliciting potent immune responses. However, current benchmarks and models inherit biases present in mass-spectrometry and binding-assay datasets, limiting discovery of novel peptide ligands. To address this issue, we introduce a structure-guided benchmark of pMHC-I peptides designed using diffusion models conditioned on crystal structure interaction distances. Spanning twenty high-priority HLA alleles, this benchmark is independent of previously characterized peptides yet reproduces canonical anchor residue preferences, indicating structural generalization without experimental dataset bias. Using this resource, we demonstrate that state-of-the-art sequence-based predictors perform poorly at recognizing the binding potential of these structurally stable designs, indicating allele-specific limitations invisible in conventional evaluations. Our geometry-aware design pipeline yields peptides with high predicted structural integrity and higher residue diversity than existing datasets, representing a key resource for unbiased model training and evaluation. Our code, and data are available at: https://github.com/sermare/struct-mhc-dev.
Abstract（参考訳）: パーソナライズドワクチンとT細胞免疫療法は、強力な免疫応答を誘発できるペプチド-MHCクラスI(pMHC-I)相互作用の同定に極めて依存している。しかし、現在のベンチマークとモデルは質量分析や結合アッセイデータセットに存在するバイアスを継承し、新しいペプチド配位子の発見を制限する。この問題を解決するために,結晶構造相互作用距離を条件とした拡散モデルを用いて設計したpMHC-Iペプチドの構造誘導ベンチマークを導入する。 20の高純度HLAアレルにまたがるこのベンチマークは、以前に特徴付けられたペプチドから独立して、標準アンカー残基の選好を再現し、実験的なデータセットバイアスを伴わない構造的一般化を示す。この資源を用いて、現状のシーケンスベースの予測器は、これらの構造的に安定な設計の結合ポテンシャルを認識できないことを示し、従来の評価では目に見えないアレル特異的な制限を示す。我々の幾何学的設計パイプラインは、予測された構造的整合性と既存のデータセットよりも高い残基多様性を持つペプチドを生成し、偏りのないモデルトレーニングと評価の鍵となるリソースを表現している。私たちのコードとデータは、https://github.com/sermare/struct-mhc-dev.comで利用可能です。

関連論文リスト

Robust Molecular Property Prediction via Densifying Scarce Labeled Data [51.55434084913129]
薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。本稿では,未ラベルデータを利用したメタラーニングに基づく新しい手法を提案する。実世界のデータセットに挑戦する上で、大きなパフォーマンス向上を示す。
論文参考訳（メタデータ） (2025-06-13T15:27:40Z)
AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
論文参考訳（メタデータ） (2025-06-10T02:25:31Z)
Multiscale guidance of AlphaFold3 with heterogeneous cryo-EM data [33.562685684224995]
低温電子顕微鏡(cryo-EM)は、近原性構造不均一性をイメージングするための強力なツールとして登場した。ここでは, タンパク質構造予測モデルを用いて学習したCryo-EM密度マップと, 豊富な配列と生物物理学的先行データを組み合わせる。我々の方法であるCryoBoltzは、大域的および局所的な構造制約を用いて、事前訓練されたタンパク質構造予測モデルのサンプリング軌跡を導出する。
論文参考訳（メタデータ） (2025-06-04T22:16:27Z)
Causal Discovery from Data Assisted by Large Language Models [50.193740129296245]
知識駆動発見のために、実験データと事前のドメイン知識を統合することが不可欠である。本稿では、高分解能走査透過電子顕微鏡(STEM)データと大規模言語モデル(LLM)からの洞察を組み合わせることで、このアプローチを実証する。 SmドープBiFeO3(SmBFO)におけるChatGPTをドメイン固有文献に微調整することにより、構造的、化学的、分極的自由度の間の因果関係をマッピングするDAG(Directed Acyclic Graphs)の隣接行列を構築する。
論文参考訳（メタデータ） (2025-03-18T02:14:49Z)
Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文参考訳（メタデータ） (2024-07-26T10:29:16Z)
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)
SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
論文参考訳（メタデータ） (2023-12-12T09:33:54Z)
Leveraging Side Information for Ligand Conformation Generation using Diffusion-Based Approaches [12.71967232020327]
リガンド分子コンホメーション生成は、薬物発見において重要な課題である。この問題を解決するためにディープラーニングモデルが開発されている。これらのモデルはしばしば、本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
論文参考訳（メタデータ） (2023-08-02T09:56:47Z)
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)
From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
論文参考訳（メタデータ） (2022-08-19T14:55:12Z)

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。