論文の概要: PepCompass: Navigating peptide embedding spaces using Riemannian Geometry

• arxiv url: http://arxiv.org/abs/2510.01988v2
• Date: Fri, 03 Oct 2025 10:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 14:21:29.926438
• Title: PepCompass: Navigating peptide embedding spaces using Riemannian Geometry
• Title（参考訳）: PepCompass:リーマン幾何学を用いた航法ペプチド埋め込み空間
• Authors: Marcin Możejko, Adam Bielecki, Jurand Prądzyński, Marcin Traskowski, Antoni Janowski, Karol Jurasz, Michał Kucharczyk, Hyun-Su Lee, Marcelo Der Torossian Torres, Cesar de la Fuente-Nunez, Paulina Szymczak, Michał Kmicikiewicz, Ewa Szczurek,
• Abstract要約: Pepはペプチド探索と最適化のための幾何学的なフレームワークである。 生成モデルはペプチド空間の潜在的な「マップ」を提供する。 電位最小化測地探索(PoGS)は、プロパティ富化種子に沿ったプロトタイプの埋め込みを補間する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antimicrobial peptide discovery is challenged by the astronomical size of peptide space and the relative scarcity of active peptides. Generative models provide continuous latent "maps" of peptide space, but conventionally ignore decoder-induced geometry and rely on flat Euclidean metrics, rendering exploration and optimization distorted and inefficient. Prior manifold-based remedies assume fixed intrinsic dimensionality, which critically fails in practice for peptide data. Here, we introduce PepCompass, a geometry-aware framework for peptide exploration and optimization. At its core, we define a Union of $\kappa$-Stable Riemannian Manifolds $\mathbb{M}^{\kappa}$, a family of decoder-induced manifolds that captures local geometry while ensuring computational stability. We propose two local exploration methods: Second-Order Riemannian Brownian Efficient Sampling, which provides a convergent second-order approximation to Riemannian Brownian motion, and Mutation Enumeration in Tangent Space, which reinterprets tangent directions as discrete amino-acid substitutions. Combining these yields Local Enumeration Bayesian Optimization (LE-BO), an efficient algorithm for local activity optimization. Finally, we introduce Potential-minimizing Geodesic Search (PoGS), which interpolates between prototype embeddings along property-enriched geodesics, biasing discovery toward seeds, i.e. peptides with favorable activity. In-vitro validation confirms the effectiveness of PepCompass: PoGS yields four novel seeds, and subsequent optimization with LE-BO discovers 25 highly active peptides with broad-spectrum activity, including against resistant bacterial strains. These results demonstrate that geometry-informed exploration provides a powerful new paradigm for antimicrobial peptide design.
• Abstract（参考訳）: 抗微生物ペプチドの発見は、ペプチド空間の天文的大きさと活性ペプチドの相対的不足により困難である。 生成モデルはペプチド空間の連続的な潜伏マップを提供するが、従来はデコーダによって引き起こされる幾何を無視し、平坦なユークリッド測度に依存し、探索のレンダリングと歪んだ最適化は非効率である。 以前の多様体に基づく治療は、固定された内在性次元を前提としており、ペプチドデータに対して実践的に失敗する。 本稿では,ペプチド探索と最適化のための幾何学的枠組みであるPepCompassを紹介する。 中心となるものとして、計算安定性を確保しながら局所幾何学を捉えるデコーダ誘導多様体の族である$\kappa$-Stable Riemannian Manifolds $\mathbb{M}^{\kappa}$の和を定義する。 第二次リーマン的ブラウン運動に対する収束二階近似を与える第二次リーマン的ブラウン効率サンプリング法と、タンジェント空間における変異列挙法と、タンジェント方向を離散アミノ酸置換体として再解釈する2つの局所探索法を提案する。 これらを組み合わせることで、局所的活動最適化のための効率的なアルゴリズムである局所列挙ベイズ最適化(LE-BO)が得られる。 最後に, 原産地に埋没した原産地間を補間し, 種子, 好活性ペプチドの発見に偏りを生じさせる可能性最小化測地探索(PoGS)を提案する。 PoGSは4つの新しい種子を産出し、LE-BOによるその後の最適化により、耐性菌株を含む広いスペクトル活性を有する25の高活性ペプチドが検出される。 これらの結果は、幾何学的インフォームド探索が、抗微生物ペプチド設計のための強力な新しいパラダイムを提供することを示している。

関連論文リスト

• Non-Euclidean Broximal Point Method: A Blueprint for Geometry-Aware Optimization [55.002497070656624]
  Broximal Point Method(BPM)は、現在の反復を中心にした標準球よりも目的関数を反復的に最小化する、理想的な最適化フレームワークを提供する。 顕著な大域収束保証、線形収束、および正規閉凸函数に対する有限のステップを享受する。 本稿では、BPMの収束理論が、このより一般的な非ユークリッド的な設定に拡張できるかどうかを問う。
  論文  参考訳（メタデータ） (2025-10-01T12:32:52Z)
• PPFlow: Target-aware Peptide Design with Torsional Flow Matching [52.567714059931646]
  ペプチド構造設計のためのねじれ角の内部構造をモデル化するために,textscPPFlowと呼ばれるターゲット認識型ペプチド設計手法を提案する。 さらに, PPBench2024というタンパク質-ペプチド結合データセットを構築した。
  論文  参考訳（メタデータ） (2024-03-05T13:26:42Z)
• PepGB: Facilitating peptide drug discovery via graph neural networks [36.744839520938825]
  ペプチド-タンパク質相互作用(PepPIs)を予測することにより、ペプチドの早期発見を容易にする深層学習フレームワークPepGBを提案する。 我々は、リード生成と最適化プロセスでよく見られる高度に不均衡なデータのモデリングのボトルネックに取り組むために、拡張バージョンの diPepGB を導出する。
  論文  参考訳（メタデータ） (2024-01-26T06:13:09Z)
• Neural Latent Geometry Search: Product Manifold Inference via Gromov-Hausdorff-Informed Bayesian Optimization [21.97865037637575]
  我々は、この新しい定式化を数学的に定義し、ニューラル潜在幾何探索(NLGS)として作成する。 計量幾何学からのグロモフ・ハウスドルフ距離に基づいて、候補潜在測地間の距離の新たな概念を提案する。 次に、潜在測地間の滑らかさの概念に基づいてグラフ探索空間を設計し、その計算を帰納バイアスとして利用する。
  論文  参考訳（メタデータ） (2023-09-09T14:29:22Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
  ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。 我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
  論文  参考訳（メタデータ） (2021-05-06T17:36:55Z)
• High-Dimensional Bayesian Optimization via Nested Riemannian Manifolds [0.0]
  本研究では,様々な領域によく現れる非ユークリッド探索空間の幾何学を利用して,構造保存写像を学習することを提案する。 我々のアプローチは、ネストした多様体の埋め込みを共同で学習する幾何学的ガウス過程と、潜在空間における目的関数の表現を特徴付ける。
  論文  参考訳（メタデータ） (2020-10-21T11:24:11Z)

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。