論文の概要: Semi-supervised Latent Bayesian Optimization for Designing Antimicrobial Peptides

• arxiv url: http://arxiv.org/abs/2510.17569v1
• Date: Mon, 20 Oct 2025 14:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.47982
• Title: Semi-supervised Latent Bayesian Optimization for Designing Antimicrobial Peptides
• Title（参考訳）: 抗菌ペプチドの設計のための半教師付き潜在ベイズ最適化
• Authors: Jyler Menard, R. A. Mansbach,
• Abstract要約: 抗微生物ペプチド (AMPs) は細菌感染症の治療薬として有望なクラスである。 深い生成モデルは、連続的に評価された潜在空間を持つ配列空間をモデル化する能力のために、ペプチド設計において価値を示してきた。 設計空間の次元的縮小によるさらなる圧縮が最適化を促進するかどうかを考察する。
• 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 peptides (AMPs) are a promising class of therapeutics to treat bacterial infections. Discovering and designing such peptides is difficult because of the vast number of possible sequences of amino acids. Deep generative models, such as variational autoencoders, have shown value in peptide design due to their ability to model sequence space with a continuous-valued latent space. Although such models have already been used to great effect in biomolecular design, they still suffer from a lack of interpretability and rigorous quantification of latent space quality as a search space. We investigate (1) whether further compression of the design space via dimensionality reduction may facilitate optimization, (2) the interpretability of the spaces, and (3) how organizing latent spaces with physicochemical properties may improve the efficiency of optimizing antimicrobial activity. We find that further reduction of the latent space via dimensionality reduction can be advantageous when organizing the space with more relevant information at data availability, that using the dimensionality reduction search space can be more interpretable, and that we can organize the latent space with different physicochemical properties even at different percentages of available labels.
• Abstract（参考訳）: 抗微生物ペプチド (AMPs) は細菌感染症の治療薬として有望なクラスである。 このようなペプチドの発見と設計は、アミノ酸の配列が多数存在するため困難である。 変分オートエンコーダのような深い生成モデルは、連続的に評価された潜在空間で配列空間をモデル化する能力のために、ペプチド設計において価値を示してきた。 このようなモデルは、すでに生体分子設計において大きな影響を受けているが、それでも探索空間としての潜伏空間の品質の解釈可能性と厳密な定量化の欠如に悩まされている。 本研究では,(1) 次元還元による設計空間のさらなる圧縮が最適化を促進するか,(2) 空間の解釈可能性,(3) 物理化学的特性を持つ潜伏空間の組織化が抗菌活性の最適化の効率をいかに向上させるかを検討する。 我々は,データ可用性において,より関連性の高い情報で空間を整理する場合に,次元還元による潜伏空間のさらなる縮小が有利であること,次元還元探索空間をより解釈可能であること,利用可能なラベルの異なるパーセンテージにおいても物理化学的性質の異なる潜伏空間を整理できることを見出した。

関連論文リスト

• Differentiable Autoencoding Neural Operator for Interpretable and Integrable Latent Space Modeling [0.24554686192257422]
  科学機械学習は、線形および非線形性低減技術を用いて、高次元フローデータから物理的洞察を抽出することを可能にする。 これらの進歩にもかかわらず、潜在空間における解釈性は依然として課題である。 本稿では, 物理的に解釈可能なラテント空間を構成するDIDIANiable Autoencoding Neural Operator (O)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T19:57:52Z)
• Property-Isometric Variational Autoencoders for Sequence Modeling and Design [2.4575466958868675]
  本稿では, PrIVAE と呼ばれる形状保存型変分オートエンコーダフレームワークを提案する。 PrIVAEは、それらの性質空間の幾何学を尊重する潜在配列埋め込みを学ぶ。 1) 蛍光性金属ナノクラスターをテンプレート化するDNA配列の設計, (2) 抗菌性ペプチドの設計。
  論文  参考訳（メタデータ） (2025-09-16T21:06:44Z)
• Latent Energy-Based Odyssey: Black-Box Optimization via Expanded Exploration in the Energy-Based Latent Space [65.44449711359724]
  ブラックボックス関数の高次元かつ高マルチモーダルな入力設計空間は、既存の手法に固有の課題をもたらす。 設計値の結合空間の圧縮的かつ正確な表現として機能する潜在空間の発見を検討する。 本稿では, 高精度潜時空間モデルの変分学習のための雑音強調型テレスコープ密度比推定法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T00:11:53Z)
• IME: Integrating Multi-curvature Shared and Specific Embedding for Temporal Knowledge Graph Completion [97.58125811599383]
  時間的知識グラフ(TKG)は時間次元を取り入れており、知識の進化を正確に捉えることができる。 本稿では,TKGCタスクのための新しい多曲率共有固有埋め込み(IME)モデルを提案する。 IMEは2つの重要な性質、すなわち空間共有性と空間固有性を含んでいる。
  論文  参考訳（メタデータ） (2024-03-28T23:31:25Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• CHA2: CHemistry Aware Convex Hull Autoencoder Towards Inverse Molecular Design [2.169755083801688]
  検索空間全体を包括的に探索して、興味のある性質を持つデ・ノヴォ構造を利用することは不可能である。 この課題に対処するために、難解な探索空間を低次元の潜在体積に減らすことで、分子候補をより効果的に調べることができる。 そこで我々は,高いQEDを持つ新規分子を明らかにする効率的な方法として,高いQEDでトップ分子を取り囲む凸ホールを用いて,潜在表現におけるタイトな部分空間を抽出することを提案する。
  論文  参考訳（メタデータ） (2023-02-21T21:05:31Z)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• Evidential Sparsification of Multimodal Latent Spaces in Conditional Variational Autoencoders [63.46738617561255]
  訓練された条件付き変分オートエンコーダの離散潜時空間をスパース化する問題を考察する。 顕在的理論を用いて、特定の入力条件から直接証拠を受け取る潜在クラスを特定し、そうでないクラスをフィルタリングする。 画像生成や人間の行動予測などの多様なタスクの実験により,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-19T01:27:21Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)
• High-dimensional Bayesian Optimization of Personalized Cardiac Model Parameters via an Embedded Generative Model [7.286540513944084]
  ベイズ最適化の目的関数に生成的変分オートエンコーダ(VAE)を組み込む新しい概念を提案する。 生成コードに関するVAE符号化された知識は、探索空間の探索を導くために使用される。 本発明の方法は、心臓電気生理学的モデルにおける組織興奮性の推定に応用される。
  論文  参考訳（メタデータ） (2020-05-15T22:14:16Z)

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。