論文の概要: Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling

• arxiv url: http://arxiv.org/abs/2601.06214v1
• Date: Thu, 08 Jan 2026 19:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.684629
• Title: Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling
• Title（参考訳）: タンパク質-タンパク質相互作用モデリングのためのダイナミクスにインスパイアされた構造幻覚
• Authors: Fang Wu, Stan Z. Li,
• Abstract要約: タンパク質とタンパク質の相互作用 (PPI) は生物学の中心的な課題である。 深層学習は、このような変異の影響を予測することは約束されているが、2つの主要な制約によって妨げられている。 本稿では,Refine-PPIという新しいフレームワークについて述べる。
• 参考スコア（独自算出の注目度）: 60.57197355431804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein-protein interaction (PPI) represents a central challenge within the biology field, and accurately predicting the consequences of mutations in this context is crucial for drug design and protein engineering. Deep learning (DL) has shown promise in forecasting the effects of such mutations, but is hindered by two primary constraints. First, the structures of mutant proteins are often elusive to acquire. Secondly, PPI takes place dynamically, which is rarely integrated into the DL architecture design. To address these obstacles, we present a novel framework named Refine-PPI with two key enhancements. First, we introduce a structure refinement module trained by a mask mutation modeling (MMM) task on available wild-type structures, which is then transferred to produce the inaccessible mutant structures. Second, we employ a new kind of geometric network, called the probability density cloud network (PDC-Net), to capture 3D dynamic variations and encode the atomic uncertainty associated with PPI. Comprehensive experiments on SKEMPI.v2 substantiate the superiority of Refine-PPI over all existing tools for predicting free energy change. These findings underscore the effectiveness of our hallucination strategy and the PDC module in addressing the absence of mutant protein structure and modeling geometric uncertainty.
• Abstract（参考訳）: タンパク質-タンパク質相互作用(PPI)は、生物学分野における中心的な課題であり、この文脈における突然変異の結果を正確に予測することは、薬物設計とタンパク質工学にとって重要である。 深層学習(DL)は、このような変異の影響を予測することを約束しているが、2つの主要な制約によって妨げられている。 まず、突然変異タンパク質の構造は、しばしば取得される。 第二に、PPIは動的に行われ、DLアーキテクチャ設計に統合されることは滅多にない。 これらの障害に対処するため、Refine-PPIと呼ばれる新しいフレームワークを2つの重要な拡張で提示する。 まず、マスク突然変異モデリング(MMM)タスクで訓練された、利用可能な野生型構造に対する構造修飾モジュールを導入し、アクセス不能な変異構造を生成する。 第2に, 確率密度ネットワーク (PDC-Net) と呼ばれる新しい幾何学的ネットワークを用いて3次元動的変動を捉え, PPIに関連する原子の不確かさを符号化する。 SKEMPI.v2に関する総合的な実験は、自由エネルギー変化を予測する既存のツールよりもRefine-PPIの方が優れていることを裏付けている。 これらの知見は, 変異タンパク質構造が欠如し, 幾何的不確かさをモデル化する上で, 我々の幻覚戦略とPDCモジュールの有効性を裏付けるものである。

関連論文リスト

• PRIMRose: Insights into the Per-Residue Energy Metrics of Proteins with Double InDel Mutations using Deep Learning [0.08155575318208629]
  PRIMRoseは、変異タンパク質配列が与えられた各残基のエネルギー値を予測する新しいアプローチである。 タンパク質変異における残基のエネルギー変化を予測するために畳み込みニューラルネットワークアーキテクチャを実装した。
  論文  参考訳（メタデータ） (2025-12-06T16:57:56Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• JanusDDG: A Thermodynamics-Compliant Model for Sequence-Based Protein Stability via Two-Fronts Multi-Head Attention [0.0]
  残基の変化がタンパク質の安定性にどのように影響するかを理解することは 機能的なタンパク質を設計するのに重要である。 タンパク質言語モデル(PLM)の最近の進歩は、計算タンパク質分析に革命をもたらした。 我々は PLM 由来の埋め込みと双方向のクロスアテンショントランスフォーマアーキテクチャを利用するディープラーニングフレームワーク JanusDDG を紹介する。
  論文  参考訳（メタデータ） (2025-04-04T09:02:32Z)
• AlphaFolding: 4D Diffusion for Dynamic Protein Structure Prediction with Reference and Motion Guidance [18.90451943620277]
  本研究では分子動力学(MD)シミュレーションデータを用いた動的タンパク質構造学習のための革新的4次元拡散モデルを提案する。 本モデルでは,32時間で最大256個のアミノ酸を含むタンパク質の動的3次元構造を予測できる。
  論文  参考訳（メタデータ） (2024-08-22T14:12:50Z)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• 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。