論文の概要: Joint Design of Protein Surface and Structure Using a Diffusion Bridge Model

• arxiv url: http://arxiv.org/abs/2511.16675v1
• Date: Sat, 08 Nov 2025 12:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.212208
• Title: Joint Design of Protein Surface and Structure Using a Diffusion Bridge Model
• Title（参考訳）: 拡散ブリッジモデルを用いたタンパク質表面と構造の共同設計
• Authors: Guanlue Li, Xufeng Zhao, Fang Wu, Sören Laue,
• Abstract要約: PepBridgeはタンパク質の表面と構造の結合設計のための新しいフレームワークである。 受容体表面の幾何学と生化学的性質をシームレスに統合する。 多段階のプロセスを通じて完全なタンパク質構造を生成する。
• 参考スコア（独自算出の注目度）: 11.265413061961128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein-protein interactions (PPIs) are governed by surface complementarity and hydrophobic interactions at protein interfaces. However, designing diverse and physically realistic protein structure and surfaces that precisely complement target receptors remains a significant challenge in computational protein design. In this work, we introduce PepBridge, a novel framework for the joint design of protein surface and structure that seamlessly integrates receptor surface geometry and biochemical properties. Starting with a receptor surface represented as a 3D point cloud, PepBridge generates complete protein structures through a multi-step process. First, it employs denoising diffusion bridge models (DDBMs) to map receptor surfaces to ligand surfaces. Next, a multi-model diffusion model predicts the corresponding structure, while Shape-Frame Matching Networks ensure alignment between surface geometry and backbone architecture. This integrated approach facilitates surface complementarity, conformational stability, and chemical feasibility. Extensive validation across diverse protein design scenarios demonstrates PepBridge's efficacy in generating structurally viable proteins, representing a significant advancement in the joint design of top-down protein structure.
• Abstract（参考訳）: タンパク質-タンパク質相互作用 (PPIs) はタンパク質界面における表面相補性と疎水性相互作用によって制御される。 しかし、標的受容体を正確に補完する多様で物理的に現実的なタンパク質構造や表面を設計することは、計算タンパク質設計において重要な課題である。 本稿では, タンパク質表面と構造をシームレスに統合する新規な構造設計フレームワークであるPepBridgeについて紹介する。 3Dポイントの雲として表される受容体表面から始め、PepBridgeは多段階のプロセスを通じて完全なタンパク質構造を生成する。 第一に、受容体表面をリガンド表面にマッピングするために拡散ブリッジモデル(DDBM)を用いる。 次に、多モデル拡散モデルが対応する構造を予測し、形状フレームマッチングネットワークが表面形状とバックボーン構造との整合性を確保する。 この統合されたアプローチは、表面の相補性、配座安定性、および化学的実現可能性を促進する。 多様なタンパク質設計シナリオにまたがる広範囲な検証は、PepBridgeが構造的に実行可能なタンパク質の生成に有効であることを示し、トップダウンタンパク質構造の共同設計の著しい進歩を示している。

関連論文リスト

• PPDiff: Diffusing in Hybrid Sequence-Structure Space for Protein-Protein Complex Design [20.033392739225658]
  PPDiffは、任意のタンパク質標的に対するバインダーの配列と構造を共同で設計する拡散モデルである。 PPDiffは、我々の開発したシークエンス構造間ネットワーク上に、因果的注意層を持つ。 このモデルはPPBenchで事前訓練され、2つの現実世界のアプリケーションで微調整される。
  論文  参考訳（メタデータ） (2025-06-13T02:39:14Z)
• DS-ProGen: A Dual-Structure Deep Language Model for Functional Protein Design [21.43301218674909]
  逆タンパク質フォールディング(英: inverse protein Folding)は、タンパク質設計の分野における重要なサブタスクである。 本稿では,機能的タンパク質設計のための二重構造深層言語モデルDS-ProGenを提案する。 バックボーン座標と表面化学および幾何学的記述子を次のアミノ酸予測パラダイムに組み込むことで、DS-ProGenは機能的に関連し、構造的に安定な配列を生成することができる。
  論文  参考訳（メタデータ） (2025-05-18T18:08:35Z)
• ProteinWeaver: A Divide-and-Assembly Approach for Protein Backbone Design [61.19456204667385]
  本稿では,タンパク質のバックボーン設計のための2段階フレームワークであるProteinWeaverを紹介する。 プロテインウィーバーは、多用途ドメインアセンブリを通じて高品質で新規なタンパク質のバックボーンを生成する。 分割組立パラダイムを導入することにより、タンパク質工学を進歩させ、機能的タンパク質設計のための新たな道を開く。
  論文  参考訳（メタデータ） (2024-11-08T08:10:49Z)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• A Protein Structure Prediction Approach Leveraging Transformer and CNN Integration [4.909112037834705]
  本稿では、畳み込みニューラルネットワーク(CCN)を用いた2次元融合深層ニューラルネットワークモデルDstruCCNと、単一配列タンパク質構造予測のための教師付きトランスフォーマー言語モデルを採用する。 両者のトレーニング特徴を組み合わせ、タンパク質トランスフォーマー結合部位マトリックスを予測し、エネルギー最小化を用いて三次元構造を再構築する。
  論文  参考訳（メタデータ） (2024-02-29T12:24:20Z)
• Joint Design of Protein Sequence and Structure based on Motifs [11.731131799546489]
  タンパク質のバックボーン構造と配列を共同で設計するGeoProを提案する。 GeoProは3次元(3D)バックボーン構造のための同変エンコーダと3次元幾何学でガイドされるタンパク質配列デコーダによって駆動される。 本手法はタンパク質データバンク(PDB)やUniProtに存在しない新規な$beta$-lactamasesおよびミオグロビンを発見する。
  論文  参考訳（メタデータ） (2023-10-04T03:07:03Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
  我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。 本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。 我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
  論文  参考訳（メタデータ） (2021-11-15T18:46:37Z)

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。