論文の概要: Constrained Diffusion for Protein Design with Hard Structural Constraints

• arxiv url: http://arxiv.org/abs/2510.14989v1
• Date: Wed, 01 Oct 2025 17:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-26 16:57:26.426841
• Title: Constrained Diffusion for Protein Design with Hard Structural Constraints
• Title（参考訳）: 硬質構造を有するタンパク質設計のための拘束拡散
• Authors: Jacob K. Christopher, Austin Seamann, Jingyi Cui, Sagar Khare, Ferdinando Fioretto,
• Abstract要約: 本稿では,構造誘導タンパク質設計のための制約付き拡散フレームワークについて述べる。 モチーフスキャフォールディングや空洞拘束型ポケットデザインなど,タンパク質設計の課題を評価する。 提案手法は, 構造的多様性を損なうことなく, ボンディングと幾何的制約の完全な満足度を実現する。
• 参考スコア（独自算出の注目度）: 41.776162512400276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models offer a powerful means of capturing the manifold of realistic protein structures, enabling rapid design for protein engineering tasks. However, existing approaches observe critical failure modes when precise constraints are necessary for functional design. To this end, we present a constrained diffusion framework for structure-guided protein design, ensuring strict adherence to functional requirements while maintaining precise stereochemical and geometric feasibility. The approach integrates proximal feasibility updates with ADMM decomposition into the generative process, scaling effectively to the complex constraint sets of this domain. We evaluate on challenging protein design tasks, including motif scaffolding and vacancy-constrained pocket design, while introducing a novel curated benchmark dataset for motif scaffolding in the PDZ domain. Our approach achieves state-of-the-art, providing perfect satisfaction of bonding and geometric constraints with no degradation in structural diversity.
• Abstract（参考訳）: 拡散モデルは、現実的なタンパク質構造の多様体を捉える強力な手段を提供し、タンパク質工学タスクの迅速な設計を可能にする。 しかし、機能設計に正確な制約が必要な場合、既存のアプローチは重要な障害モードを観測する。 この目的のために, 構造誘導タンパク質設計のための制約付き拡散フレームワークを提案し, 正確な立体化学的および幾何学的実現可能性を維持しつつ, 機能要求への厳密な固執を保証する。 このアプローチは、ADMM分解による近位性更新を生成プロセスに統合し、この領域の複雑な制約セットに効果的にスケーリングする。 我々は,PDZドメインにおけるモチーフスキャフォールディングのための新しいベンチマークデータセットを導入しながら,モチーフスキャフォールディングや空洞制約付きポケットデザインなどの挑戦的なタンパク質設計タスクを評価する。 提案手法は, 構造的多様性を損なうことなく, 結合と幾何学的制約の完全な満足度を実現する。

関連論文リスト

• ProteinAE: Protein Diffusion Autoencoders for Structure Encoding [64.77182442408254]
  本稿では,新規かつ合理化されたタンパク質拡散オートエンコーダであるProteinAEを紹介する。 プロテインAEは、タンパク質のバックボーン座標を直接E(3)から連続的でコンパクトな潜在空間にマッピングする。 本研究では,既存のオートエンコーダよりも優れた,最先端の再構築品質を実現することを実証する。
  論文  参考訳（メタデータ） (2025-10-12T14:30:32Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• A Model-Centric Review of Deep Learning for Protein Design [0.0]
  ディープラーニングはタンパク質設計を変換し、正確な構造予測、シーケンス最適化、de novoタンパク質生成を可能にした。 ProtGPT2、ProteinMPNN、RFdiffusionなどの生成モデルは、自然進化に基づく制限を超えてシーケンスとバックボーンの設計を可能にした。 最近では、ESM3を含む共同シーケンス構造共設計モデルが両方のモダリティを統一されたフレームワークに統合し、設計性が向上した。
  論文  参考訳（メタデータ） (2025-02-26T14:31:21Z)
• Pan-protein Design Learning Enables Task-adaptive Generalization for Low-resource Enzyme Design [44.258193520999484]
  我々は、事前学習されたタンパク質言語モデル(PPLM)を利用するドメイン適応型フレームワークであるCrossDesignを紹介する。 タンパク質構造を配列と整合させることで、CrossDesignは制限された構造データの制限を克服し、事前訓練された知識を構造モデルに転送する。 実験結果はCrossDesignの優れたパフォーマンスとロバスト性、特にドメイン外酵素について強調した。
  論文  参考訳（メタデータ） (2024-11-26T17:51:33Z)
• The Latent Road to Atoms: Backmapping Coarse-grained Protein Structures with Latent Diffusion [19.85659309869674]
  潜伏拡散バックマッピング(LDB)は、これらの課題に対処するために潜伏空間内での拡散をデノナイズする新しいアプローチである。 3つの異なるタンパク質データセット上でLDBの最先端性能を評価する。 計算生物学におけるCGシミュレーションと原子レベル解析のギャップを効果的に埋め、LDBをバックマッピングのための強力でスケーラブルなアプローチとして位置づけた。
  論文  参考訳（メタデータ） (2024-10-17T06:38:07Z)
• PROflow: An iterative refinement model for PROTAC-induced structure prediction [4.113597666007784]
  キメラを標的とするプロテオリシス (PROTACs) は、標的と分解関連タンパク質を同時に結合することで、従来のアンドラッグタンパク質の分解を引き起こす小さな分子である。 合理的設計における重要な課題は、活動の構造的基盤を理解することである。 既存の PROTAC ドッキング法では, 距離制限されたタンパク質-タンパク質ドッキングタスクに問題を単純化することを余儀なくされている。 二元タンパク質-タンパク質複合体のみを必要とする新しい擬似データ生成手法を開発した。 この新たなデータセットは、制約下での完全なPROTACの柔軟性をモデル化する、PROTACによる構造予測の反復的改善モデルであるPROflowを実現する。
  論文  参考訳（メタデータ） (2024-04-10T05:29:35Z)
• Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
  マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。 MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。 実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T10:59:23Z)
• 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)

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。