論文の概要: PepEVOLVE: Position-Aware Dynamic Peptide Optimization via Group-Relative Advantage

• arxiv url: http://arxiv.org/abs/2511.16912v1
• Date: Fri, 21 Nov 2025 02:51:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.867324
• Title: PepEVOLVE: Position-Aware Dynamic Peptide Optimization via Group-Relative Advantage
• Title（参考訳）: PepEVOLVE: Group-Relative Advantageによる位置認識型動的ペプチド最適化
• Authors: Trieu Nguyen, Hao-Wei Pang, Shasha Feng,
• Abstract要約: PepEVOLVEは位置対応の動的フレームワークで、編集の場所と、多目的改善のためにペプチドを動的に最適化する方法を学ぶ。 治療目的のRev結合マクロサイクルベンチマークでは,PepEVOLVEはPepINVENTよりも高い平均値に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Macrocyclic peptides are an emerging modality that combines biologics-like affinity with small-molecule-like developability, but their vast combinatorial space and multi-parameter objectives make lead optimization slow and challenging. Prior generative approaches such as PepINVENT require chemists to pre-specify mutable positions for optimization, choices that are not always known a priori, and rely on static pretraining and optimization algorithms that limit the model's ability to generalize and effectively optimize peptide sequences. We introduce PepEVOLVE, a position-aware, dynamic framework that learns both where to edit and how to dynamically optimize peptides for multi-objective improvement. PepEVOLVE (i) augments pretraining with dynamic masking and CHUCKLES shifting to improve generalization, (ii) uses a context-free multi-armed bandit router that discovers high-reward residues, and (iii) couples a novel evolving optimization algorithm with group-relative advantage to stabilize reinforcement updates. During in silico evaluations, the router policy reliably learns and concentrates probability on chemically meaningful sites that influence the peptide's properties. On a therapeutically motivated Rev-binding macrocycle benchmark, PepEVOLVE outperformed PepINVENT by reaching higher mean scores (approximately 0.8 vs. 0.6), achieving best candidates with a score of 0.95 (vs. 0.87), and converging in fewer steps under the task of optimizing permeability and lipophilicity with structural constraints. Overall, PepEVOLVE offers a practical, reproducible path to peptide lead optimization when optimal edit sites are unknown, enabling more efficient exploration and improving design quality across multiple objectives.
• Abstract（参考訳）: マクロ環状ペプチドは、生物学的類似の親和性と小分子様の発達性を組み合わせた新たなモダリティであるが、その膨大な組み合わせ空間と多パラメーターの目的は、リード最適化を遅く、困難にしている。 PepINVENTのような以前の生成的アプローチでは、化学者は、最適化のための可変的な位置を事前に指定し、必ずしも事前の知識がない選択をし、モデルがペプチド配列を一般化し効果的に最適化する能力を制限する静的事前学習と最適化アルゴリズムに依存する必要がある。 位置認識型動的フレームワークであるPepEVOLVEを導入する。多目的改善のためのペプチドの編集と動的最適化の両方を学ぶ。 PepEVOLVE i) 一般化を改善するため、動的マスキングとCHUCKLESシフトによる事前訓練の強化。 (ii)コンテキストフリーのマルチアームバンディットルータを用いて,高逆残差を検出する。 (iii)強化更新を安定化させるグループ相対的優位性を備えた新しい進化的最適化アルゴリズムを結合する。 シリカ評価において、ルータポリシーはペプチドの性質に影響を与える化学的に意味のある部位を確実に学習し、確率に集中する。 治療目的で動機付けられたRev結合マクロサイクルベンチマークでは、PepEVOLVEはPepINVENTよりも高い平均スコア(約0.8対0.6)を達成し、スコア0.95(vs.0.87)でベスト候補を達成し、構造的制約で透過性とリポフィリティーを最適化するタスクにおいてより少ないステップで収束させることで、PepINVENTを上回った。 全体として、PepEVOLVEは最適な編集部位が不明な場合にペプチドリード最適化のための実用的で再現可能な経路を提供し、より効率的な探索と設計品質の向上を可能にしている。

関連論文リスト

• PepThink-R1: LLM for Interpretable Cyclic Peptide Optimization with CoT SFT and Reinforcement Learning [5.484132643431736]
  PepThink-R1は、大規模言語モデルとチェーン・オブ・ファインタニングと強化学習を統合した生成フレームワークである。 我々は,PepThink-R1が脂質分解能,安定性,暴露性を著しく増強した環状ペプチドを産生することを示した。
  論文  参考訳（メタデータ） (2025-08-20T15:13:52Z)
• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• ScaffoldGPT: A Scaffold-based GPT Model for Drug Optimization [3.240904428766923]
  分子足場に基づく薬物最適化のためのGPT(Generative Pretrained Transformer)であるScaffoldGPTを紹介する。 3段階の薬物最適化アプローチは、事前訓練、微調整、復号最適化を統合している。 我々は、ScaffoldGPTが薬物最適化ベンチマークにおいて競合するベースラインを上回っている新型コロナウイルスとがんのベンチマークに関する総合的な評価を通じて、実証を行う。
  論文  参考訳（メタデータ） (2025-02-09T10:36:33Z)
• Accelerated Preference Optimization for Large Language Model Alignment [60.22606527763201]
  Reinforcement Learning from Human Feedback (RLHF) は、大きな言語モデル(LLM)を人間の好みに合わせるための重要なツールとして登場した。 直接選好最適化(DPO)は、報酬関数を明示的に見積もることなく、ポリシー最適化問題としてRLHFを定式化する。 本稿では,既存の最適化アルゴリズムを統一したAPO(Accelerated Preference Optimization)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-08T18:51:01Z)
• LightCPPgen: An Explainable Machine Learning Pipeline for Rational Design of Cell Penetrating Peptides [0.32985979395737786]
  我々は,機械学習(ML)と最適化アルゴリズムの長所を活かして,CPPのデノボ設計に革新的なアプローチを導入する。 私たちの戦略はLight CPPgenと呼ばれ、LightGBMベースの予測モデルと遺伝的アルゴリズム(GA)を統合しています。 GAソリューションは、元の非貫通ペプチドとの類似性を最大化しつつ、候補配列の透過性スコアを特にターゲットとしている。
  論文  参考訳（メタデータ） (2024-05-31T10:57:25Z)
• Advancements in Optimization: Adaptive Differential Evolution with Diversification Strategy [0.0]
  この研究は2次元空間において単目的最適化を採用し、複数の反復で各ベンチマーク関数上でADEDSを実行する。 ADEDSは、多くの局所最適化、プレート型、谷型、伸縮型、ノイズの多い機能を含む様々な最適化課題において、標準Dより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-02T10:05:41Z)
• Studying Evolutionary Solution Adaption Using a Flexibility Benchmark Based on a Metal Cutting Process [39.05320053926048]
  システム柔軟性のためのバイオインスパイアされたフレームワークの観点から、異なる生産要件を最適化することを検討する。 NSGA-IIの柔軟性は,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)アクティベートあるいは非アクティベート可能な様々な可能性に対応する,アクティブな非アクティブなジェノタイプという2つの変種によって拡張される。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• Accelerated Federated Learning with Decoupled Adaptive Optimization [53.230515878096426]
  フェデレートドラーニング(FL)フレームワークは、クライアント上のトレーニングデータのプライバシを維持しながら、共有モデルを協調的に学習することを可能にする。 近年,SGDM,Adam,AdaGradなどの集中型適応最適化手法をフェデレートした設定に一般化するためのイテレーションが多数実施されている。 本研究は、常微分方程式(ODE)のダイナミクスの観点から、FLの新しい適応最適化手法を開発することを目的としている。
  論文  参考訳（メタデータ） (2022-07-14T22:46:43Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• A Novel Meta-Heuristic Optimization Algorithm Inspired by the Spread of Viruses [0.0]
  ウイルス拡散最適化(VSO)と呼ばれる,自然に着想を得たメタヒューリスティック最適化アルゴリズムを提案する。 VSOはホスト間のウイルスの拡散を緩やかに模倣し、多くの困難かつ継続的な最適化問題の解決に効果的に適用することができる。
  論文  参考訳（メタデータ） (2020-06-11T09:35:28Z)

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。