Fugu-MT 論文翻訳(概要): Demystify Protein Generation with Hierarchical Conditional Diffusion Models

論文の概要: Demystify Protein Generation with Hierarchical Conditional Diffusion Models

arxiv url: http://arxiv.org/abs/2507.18603v1
Date: Thu, 24 Jul 2025 17:34:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-25 15:10:44.225106
Title: Demystify Protein Generation with Hierarchical Conditional Diffusion Models
Title（参考訳）: 階層的条件拡散モデルによる脱ミスティファイドタンパク質生成
Authors: Zinan Ling, Yi Shi, Da Yan, Yang Zhou, Bo Hui,
Abstract要約: 本稿では,特定の機能によって誘導される効率的なエンド・ツー・エンドタンパク質設計のための新しい条件付き拡散モデルを提案する。異なるレベルの表現を同時に生成することにより、我々のフレームワークは、異なるレベルの階層関係を効果的にモデル化することができる。また,生成したタンパク質の品質を評価するため,新しい信頼性評価指標であるProtein-MMDを提案する。
参考スコア（独自算出の注目度）: 17.174551222714722
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generating novel and functional protein sequences is critical to a wide range of applications in biology. Recent advancements in conditional diffusion models have shown impressive empirical performance in protein generation tasks. However, reliable generations of protein remain an open research question in de novo protein design, especially when it comes to conditional diffusion models. Considering the biological function of a protein is determined by multi-level structures, we propose a novel multi-level conditional diffusion model that integrates both sequence-based and structure-based information for efficient end-to-end protein design guided by specified functions. By generating representations at different levels simultaneously, our framework can effectively model the inherent hierarchical relations between different levels, resulting in an informative and discriminative representation of the generated protein. We also propose a Protein-MMD, a new reliable evaluation metric, to evaluate the quality of generated protein with conditional diffusion models. Our new metric is able to capture both distributional and functional similarities between real and generated protein sequences while ensuring conditional consistency. We experiment with the benchmark datasets, and the results on conditional protein generation tasks demonstrate the efficacy of the proposed generation framework and evaluation metric.
Abstract（参考訳）: 新規で機能的なタンパク質配列の生成は、生物学の幅広い応用に不可欠である。条件付き拡散モデルの最近の進歩は、タンパク質生成タスクにおける顕著な経験的性能を示している。しかしながら、信頼性のあるタンパク質世代は、特に条件付き拡散モデルにおいて、デノボタンパク質の設計においてオープンな研究課題として残されている。タンパク質の生物学的機能は多層構造によって決定されていることを考慮し, 配列に基づく情報と構造に基づく情報を統合し, 特定の機能によって誘導される効率的なエンド・ツー・エンドのタンパク質設計を行う新しい多層条件拡散モデルを提案する。異なるレベルの表現を同時に生成することにより、我々のフレームワークは、異なるレベルの階層関係を効果的にモデル化し、生成したタンパク質の情報的および識別的表現をもたらす。また,新しい信頼性評価指標であるProtein-MMDを提案し,条件付き拡散モデルを用いて生成タンパク質の品質を評価する。我々の新しい測定基準は、条件整合性を確保しつつ、実際のタンパク質配列と生成されたタンパク質配列の分布的および機能的類似性を捉えることができる。ベンチマークデータセットを用いて実験を行い、条件付きタンパク質生成タスクの結果、提案した生成フレームワークの有効性と評価指標の有効性を実証した。

関連論文リスト

ProteinZero: Self-Improving Protein Generation via Online Reinforcement Learning [49.2607661375311]
本稿では,逆折り畳みモデルの計算的拡張性,自動化,継続的な自己改善を可能にする新しいフレームワークであるProteinZeroを提案する。 ProteinZeroは、タンパク質設計のすべての主要な指標において、既存の手法を大幅に上回っている。特に、CATH-4.3上で実行されるRL全体は、報酬を含む3日以内に1つの8X GPUノードで実行できる。
論文参考訳（メタデータ） (2025-06-09T06:08:59Z)
SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文参考訳（メタデータ） (2024-10-31T15:22:03Z)
Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
論文参考訳（メタデータ） (2024-03-21T02:44:08Z)
Diffusion on language model encodings for protein sequence generation [0.5182791771937247]
本稿では,タンパク質言語モデル表現で動作する潜在拡散フレームワークであるDiMAを提案する。私たちのフレームワークは、新しい、高品質で多様なタンパク質配列を一貫して生成します。これは、タンパク質ファミリーの生成、モチーフの足場と埋め込み、折りたたみ特異的な配列設計を含む条件付き生成タスクをサポートする。
論文参考訳（メタデータ） (2024-03-06T14:15:20Z)
Multi-level Protein Representation Learning for Blind Mutational Effect Prediction [5.207307163958806]
本稿では,タンパク質構造解析のためのシーケンシャルおよび幾何学的アナライザをカスケードする,新しい事前学習フレームワークを提案する。野生型タンパク質の自然選択をシミュレートすることにより、所望の形質に対する突然変異方向を誘導する。提案手法は,多種多様な効果予測タスクに対して,パブリックデータベースと2つの新しいデータベースを用いて評価する。
論文参考訳（メタデータ） (2023-06-08T03:00:50Z)
A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
論文参考訳（メタデータ） (2023-05-06T19:10:19Z)
Protein Sequence and Structure Co-Design with Equivariant Translation [19.816174223173494]
既存のアプローチは自己回帰モデルまたは拡散モデルを用いてタンパク質配列と構造の両方を生成する。本稿では,タンパク質配列と構造共設計が可能な新しいアプローチを提案する。我々のモデルは、幾何学的制約と文脈特徴からの相互作用を推論する三角法を意識したエンコーダで構成されている。全てのタンパク質アミノ酸は翻訳工程で1ショットずつ更新され、推論プロセスが大幅に加速される。
論文参考訳（メタデータ） (2022-10-17T06:00:12Z)
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)
Protein Structure and Sequence Generation with Equivariant Denoising Diffusion Probabilistic Models [3.5450828190071646]
バイオエンジニアリングにおける重要な課題は、特定の3D構造と標的機能を可能にする化学的性質を持つタンパク質を設計することである。タンパク質の構造と配列の両方の生成モデルを導入し、従来の分子生成モデルよりもはるかに大きなスケールで操作できる。
論文参考訳（メタデータ） (2022-05-26T16:10:09Z)
Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文参考訳（メタデータ） (2022-05-20T19:38:00Z)
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。