論文の概要: Latent Retrieval Augmented Generation of Cross-Domain Protein Binders

• arxiv url: http://arxiv.org/abs/2510.10480v1
• Date: Sun, 12 Oct 2025 07:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.966896
• Title: Latent Retrieval Augmented Generation of Cross-Domain Protein Binders
• Title（参考訳）: クロスドメインタンパクビルダの潜時検索増強
• Authors: Zishen Zhang, Xiangzhe Kong, Wenbing Huang, Yang Liu,
• Abstract要約: 本稿では,新規なタンパク質結合体の設計を導くために,RadiAnce (Retrieval-Augmented Diffusion for Aligned Interface) を提案する。 共用コントラスト空間における検索と生成を統一することにより,本モデルは与えられた結合部位の関連インターフェースを効率的に同定する。 我々の研究は、検索に基づく知識と生成AIの橋渡しに成功したタンパク質バインダー設計の新しいパラダイムを確立する。
• 参考スコア（独自算出の注目度）: 22.891733948881512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing protein binders targeting specific sites, which requires to generate realistic and functional interaction patterns, is a fundamental challenge in drug discovery. Current structure-based generative models are limited in generating nterfaces with sufficient rationality and interpretability. In this paper, we propose Retrieval-Augmented Diffusion for Aligned interface (RADiAnce), a new framework that leverages known interfaces to guide the design of novel binders. By unifying retrieval and generation in a shared contrastive latent space, our model efficiently identifies relevant interfaces for a given binding site and seamlessly integrates them through a conditional latent diffusion generator, enabling cross-domain interface transfer. Extensive exeriments show that RADiAnce significantly outperforms baseline models across multiple metrics, including binding affinity and recovery of geometries and interactions. Additional experimental results validate cross-domain generalization, demonstrating that retrieving interfaces from diverse domains, such as peptides, antibodies, and protein fragments, enhances the generation performance of binders for other domains. Our work establishes a new paradigm for protein binder design that successfully bridges retrieval-based knowledge and generative AI, opening new possibilities for drug discovery.
• Abstract（参考訳）: 現実的で機能的な相互作用パターンを生成する必要がある特定の部位をターゲットにしたタンパク質結合体を設計することは、薬物発見の根本的な課題である。 現在の構造に基づく生成モデルは十分な合理性と解釈可能性を持つnterfaceの生成に制限されている。 本稿では,新しいバインダの設計を導くために,既知のインタフェースを活用する新しいフレームワークであるRetrieval-Augmented Diffusion for Aligned Interface (RADiAnce)を提案する。 共役型遅延空間における検索と生成を統一することにより、このモデルは与えられた結合部位の関連インターフェースを効率的に識別し、条件付き遅延拡散発生器を介してシームレスに統合し、クロスドメインインタフェースの転送を可能にする。 大規模な実験により、RADiAnceは、結合親和性やジオメトリと相互作用の回復など、複数の指標でベースラインモデルを大幅に上回っていることが示されている。 追加の実験結果は、ペプチド、抗体、タンパク質フラグメントなどの様々なドメインからのインターフェイスの検索が、他のドメインに対するバインダーの生成性能を高めることを示し、クロスドメインの一般化を検証する。 我々の研究は、検索に基づく知識と生成AIを橋渡しし、薬物発見の新しい可能性を開く、タンパク質結合体設計の新しいパラダイムを確立する。

関連論文リスト

• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Towards More Accurate Full-Atom Antibody Co-Design [44.06939390661133]
  共設計は薬物開発における重要なフロンティアであり、相補性決定領域の構造の正確な予測は、特定の同変を標的にするために不可欠である。 抗体設計のためのグラフニューラルネットワークの最近の進歩にもかかわらず、現在のアプローチは、抗体抗原認識と結合特異性を管理する複雑な相互作用を捉えるのに不足することが多い。 Igformerは、抗体-抗原結合インターフェースによってこれらの制限に対処する新しいエンドツーエンドフレームワークである。
  論文  参考訳（メタデータ） (2025-02-11T13:33:28Z)
• Geometric-informed GFlowNets for Structure-Based Drug Design [4.8722087770556906]
  我々は生成フローネットワーク(GFlowNets)を用いて、薬物様分子の広大な空間を探索する。 三角的に一貫した埋め込みを組み込むことにより,GFlowNetフレームワークに新たな改良を加える。 CrossDocked 2020を用いて行った実験では、生成された分子とタンパク質ポケットの結合親和性が改善された。
  論文  参考訳（メタデータ） (2024-06-16T09:32:19Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning [2.01243755755303]
  ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。 これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
  論文  参考訳（メタデータ） (2023-08-02T12:08:17Z)
• 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)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。