論文の概要: Controllable protein design through Feynman-Kac steering

• arxiv url: http://arxiv.org/abs/2511.09216v1
• Date: Thu, 13 Nov 2025 01:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.468911
• Title: Controllable protein design through Feynman-Kac steering
• Title（参考訳）: Feynman-Kac ステアリングによる制御可能なタンパク質設計
• Authors: Erik Hartman, Jonas Wallin, Johan Malmström, Jimmy Olsson,
• Abstract要約: 推論時間制御手法であるFeynman-Kac steering frameworkを拡散型タンパク質設計に拡張する。 この研究は、推論時FK制御が拡散に基づくタンパク質設計を任意の、微分不可能で、報酬に依存しない目的に一般化することを実証している。
• 参考スコア（独自算出の注目度）: 5.477297165738714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based models have recently enabled the generation of realistic and diverse protein structures, yet they remain limited in their ability to steer outcomes toward specific functional or biochemical objectives, such as binding affinity or sequence composition. Here we extend the Feynman-Kac (FK) steering framework, an inference-time control approach, to diffusion-based protein design. By coupling FK steering with structure generation, the method guides sampling toward desirable structural or energetic features while maintaining the diversity of the underlying diffusion process. To enable simultaneous generation of both sequence and structure properties, rewards are computed on models refined through ProteinMPNN and all-atom relaxation. Applied to binder design, FK steering consistently improves predicted interface energetics across diverse targets with minimal computational overhead. More broadly, this work demonstrates that inference-time FK control generalizes diffusion-based protein design to arbitrary, non-differentiable, and reward-agnostic objectives, providing a unified and model-independent framework for guided molecular generation.
• Abstract（参考訳）: 拡散に基づくモデルは近年、現実的で多様なタンパク質構造の生成を可能にしているが、結合親和性や配列合成など、特定の機能的または生化学的目的に対して結果を操る能力に制限されている。 ここでは、Finman-Kac (FK) ステアリングフレームワーク(推論時間制御手法)を拡散型タンパク質設計に拡張する。 FKステアリングと構造生成とを結合することにより、基礎となる拡散過程の多様性を維持しつつ、サンプリングを望ましい構造的又はエネルギー的特徴へ導く。 配列と構造特性の同時生成を可能にするため、タンパク質MPNNと全原子緩和により精製されたモデル上で報酬を計算する。 バインダー設計に適用すると、FKステアリングは計算オーバーヘッドを最小限に抑えながら、様々なターゲットにわたって予測されたインターフェースエネルギーを一貫して改善する。 より広く、この研究は、推論時FK制御が拡散に基づくタンパク質設計を任意の、微分不可能で報酬に依存しない目的に一般化し、誘導分子生成のための統一的でモデルに依存しないフレームワークを提供することを示した。

関連論文リスト

• Molecule Generation for Target Protein Binding with Hierarchical Consistency Diffusion Model [17.885767456439215]
  Atom-Motif Consistency Diffusion Model (AMDiff)は、分子の原子レベルのビューとモチーフレベルのビューを統合する階層的な拡散アーキテクチャである。 既存のアプローチと比較して、AMDiffは様々なタンパク質ポケットに適合するように調整された分子の生成において、優れた妥当性と新規性を示す。
  論文  参考訳（メタデータ） (2025-03-02T17:54:30Z)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• EigenFold: Generative Protein Structure Prediction with Diffusion Models [10.24107243529341]
  EigenFoldは、特定のタンパク質配列から構造分布をサンプリングする拡散生成モデリングフレームワークである。 最近のCAMEOターゲットでは、EigenFoldは0.84の中央値TMSスコアを達成し、モデルの不確実性のより包括的な画像を提供する。
  論文  参考訳（メタデータ） (2023-04-05T02:46:13Z)
• 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)

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。