論文の概要: A decoupled alignment kernel for peptide membrane permeability predictions

• arxiv url: http://arxiv.org/abs/2511.21566v1
• Date: Wed, 26 Nov 2025 16:40:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.198003
• Title: A decoupled alignment kernel for peptide membrane permeability predictions
• Title（参考訳）: ペプチド膜透過性予測のための非結合アライメントカーネル
• Authors: Ali Amirahmadi, Gökçe Geylan, Leonardo De Maria, Farzaneh Etminani, Mattias Ohlsson, Alessandro Tibo,
• Abstract要約: 本稿では, 化学的に有意な残基残基類似性と配列アライメントを結合したモノマー非結合グローバルアライメントカーネル(MD-GAK)を提案する。 PMD-GAKという三角形の前方位置を組み込んだ変種も導入する。 MD-GAK と PMD-GAK の両方をこのフレームワークに直接適用できるので,予測モデルとしてガウス過程を用いる。
• 参考スコア（独自算出の注目度）: 35.849562641740754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cyclic peptides are promising modalities for targeting intracellular sites; however, cell-membrane permeability remains a key bottleneck, exacerbated by limited public data and the need for well-calibrated uncertainty. Instead of relying on data-eager complex deep learning architecture, we propose a monomer-aware decoupled global alignment kernel (MD-GAK), which couples chemically meaningful residue-residue similarity with sequence alignment while decoupling local matches from gap penalties. MD-GAK is a relatively simple kernel. To further demonstrate the robustness of our framework, we also introduce a variant, PMD-GAK, which incorporates a triangular positional prior. As we will show in the experimental section, PMD-GAK can offer additional advantages over MD-GAK, particularly in reducing calibration errors. Since our focus is on uncertainty estimation, we use Gaussian Processes as the predictive model, as both MD-GAK and PMD-GAK can be directly applied within this framework. We demonstrate the effectiveness of our methods through an extensive set of experiments, comparing our fully reproducible approach against state-of-the-art models, and show that it outperforms them across all metrics.
• Abstract（参考訳）: サイクリックペプチドは細胞内の部位を標的にするためのモダリティとして期待されているが、細胞膜透過性が重要なボトルネックであり、限られた公開データと十分な校正の不確実性の必要性によって悪化している。 データ・イーガー複合深層学習アーキテクチャに頼る代わりに,モノマー・アウェア・デカップリング・グローバルアライメント・カーネル(MD-GAK)を提案する。 MD-GAKは比較的単純なカーネルである。 フレームワークのロバスト性をさらに実証するために、三角形の位置を前もって組み込んだ変種 PMD-GAK も導入した。 実験セクションで示すように、MD-GAKは、特に校正誤差を低減するために、MD-GAKに対してさらなる利点を提供することができる。 MD-GAK と PMD-GAK の両方をこのフレームワークに直接適用できるので,予測モデルとしてガウス過程を用いる。 提案手法の有効性を実験により実証し, 再現性のある手法と最先端モデルとの比較を行い, 全指標で比較した。

関連論文リスト

• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
  カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。 本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。 可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
  論文  参考訳（メタデータ） (2022-09-26T16:41:16Z)

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。