論文の概要: Torsion-Space Diffusion for Protein Backbone Generation with Geometric Refinement

• arxiv url: http://arxiv.org/abs/2511.19184v1
• Date: Mon, 24 Nov 2025 14:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.264725
• Title: Torsion-Space Diffusion for Protein Backbone Generation with Geometric Refinement
• Title（参考訳）: 幾何リファインメントを用いたタンパク質バックボーン生成のためのねじり空間拡散
• Authors: Lakshaditya Singh, Adwait Shelke, Divyansh Agrawal,
• Abstract要約: 新しいモデルでは、ねじれ角を識別してタンパク質のバックボーンを生成し、構築による完全な局所幾何学を保証する。 標準PDBタンパク質の実験は、100%結合長の精度を示し、構造的コンパクト性を大幅に改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing new protein structures is fundamental to computational biology, enabling advances in therapeutic molecule discovery and enzyme engineering. Existing diffusion-based generative models typically operate in Cartesian coordinate space, where adding noise disrupts strict geometric constraints such as fixed bond lengths and angles, often producing physically invalid structures. To address this limitation, we propose a Torsion-Space Diffusion Model that generates protein backbones by denoising torsion angles, ensuring perfect local geometry by construction. A differentiable forward-kinematics module reconstructs 3D coordinates with fixed 3.8 Angstrom backbone bond lengths while a constrained post-processing refinement optimizes global compactness via Radius of Gyration (Rg) correction, without violating bond constraints. Experiments on standard PDB proteins demonstrate 100% bond-length accuracy and significantly improved structural compactness, reducing Rg error from 70% to 18.6% compared to Cartesian diffusion baselines. Overall, this hybrid torsion-diffusion plus geometric-refinement framework generates physically valid and compact protein backbones, providing a promising path toward full-atom protein generation.
• Abstract（参考訳）: 新しいタンパク質の構造を設計することは、計算生物学の基礎であり、治療分子の発見と酵素工学の進歩を可能にする。 既存の拡散に基づく生成モデルは典型的にはカルト座標空間で作用し、雑音を加えると固定結合の長さや角度などの厳密な幾何学的制約が乱され、しばしば物理的に無効な構造が生じる。 この制限に対処するために, ねじれ角を識別してタンパク質のバックボーンを生成するねじれ空間拡散モデルを提案する。 微分可能フォワードキネマティクスモジュールは、固定された3.8アングストロームのバックボーン結合長で3D座標を再構成する一方、制約された後処理の洗練は、結合制約に違反することなく、ジャイレーションのラディウス(Rg)補正による大域的コンパクト性を最適化する。 標準のPDBタンパク質の実験では、100%結合長の精度が示され、構造的コンパクト性が著しく向上し、Rgの誤差はカルテシアン拡散基線と比較して70%から18.6%に減少した。 全体として、このハイブリッドトーション拡散と幾何的構造は、物理的に有効でコンパクトなタンパク質のバックボーンを生成し、フル原子タンパク質生成への有望な経路を提供する。

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)
• AbDiffuser: Full-Atom Generation of in vitro Functioning Antibodies [44.149969082612486]
  AbDiffuserは、抗体3D構造と配列の同変および物理インフォームド拡散モデルである。 我々のアプローチは、ドメイン知識と物理に基づく制約を生かして、タンパク質の拡散を改善する。 数値実験では、AbDiffuserが参照集合の配列と構造を綿密に追跡する抗体を生成する能力を示している。
  論文  参考訳（メタデータ） (2023-07-28T11:57:44Z)
• Internal-Coordinate Density Modelling of Protein Structure: Covariance Matters [9.49959422062959]
  内部座標におけるタンパク質密度をモデル化するための新しい戦略を提案し, 内部自由度間の共分散構造を誘導するために3次元空間における制約を用いる。 提案手法により,内部座標の密度モデルを2つの設定で完全なタンパク質のバックボーンに拡張できることが実証された。
  論文  参考訳（メタデータ） (2023-02-27T12:18:19Z)
• 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)
• G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
  本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。 本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:52:48Z)

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。