論文の概要: Efficient Protein Optimization via Structure-aware Hamiltonian Dynamics

• arxiv url: http://arxiv.org/abs/2601.11012v1
• Date: Fri, 16 Jan 2026 05:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.370529
• Title: Efficient Protein Optimization via Structure-aware Hamiltonian Dynamics
• Title（参考訳）: 構造認識ハミルトニアンダイナミクスによる効率的なタンパク質最適化
• Authors: Jiahao Wang, Shuangjia Zheng,
• Abstract要約: HADESはハミルトニアン力学を利用したベイズ最適化法であり、構造対応の近似後部から効率的にサンプリングする。 このような連続状態系から離散的なタンパク質配列を提案するために、位置離散化手順を導入する。 実験により,本手法はシリコン内評価において最先端のベースラインを上回っていることが示された。
• 参考スコア（独自算出の注目度）: 16.336540408998598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to engineer optimized protein variants has transformative potential for biotechnology and medicine. Prior sequence-based optimization methods struggle with the high-dimensional complexities due to the epistasis effect and the disregard for structural constraints. To address this, we propose HADES, a Bayesian optimization method utilizing Hamiltonian dynamics to efficiently sample from a structure-aware approximated posterior. Leveraging momentum and uncertainty in the simulated physical movements, HADES enables rapid transition of proposals toward promising areas. A position discretization procedure is introduced to propose discrete protein sequences from such a continuous state system. The posterior surrogate is powered by a two-stage encoder-decoder framework to determine the structure and function relationships between mutant neighbors, consequently learning a smoothed landscape to sample from. Extensive experiments demonstrate that our method outperforms state-of-the-art baselines in in-silico evaluations across most metrics. Remarkably, our approach offers a unique advantage by leveraging the mutual constraints between protein structure and sequence, facilitating the design of protein sequences with similar structures and optimized properties. The code and data are publicly available at https://github.com/GENTEL-lab/HADES.
• Abstract（参考訳）: 最適化されたタンパク質変異体を設計する能力は、バイオテクノロジーや医学に変革をもたらす可能性がある。 先行的なシーケンスベースの最適化手法は、エピスタシス効果と構造的制約の無視により、高次元の複雑さに苦しむ。 そこで本稿では,ハミルトン力学を用いたベイズ最適化手法であるHADESを提案する。 HADESは、シミュレートされた物理運動における運動量と不確実性を生かし、将来性のある領域への提案の迅速な移行を可能にする。 このような連続状態系から離散的なタンパク質配列を提案するために、位置離散化手順を導入する。 後部サロゲートは、2段階のエンコーダ・デコーダ・フレームワークを用いて、変異体同士の構造と機能の関係を判定し、その結果、スムーズな風景を学習してサンプリングする。 大規模実験により,本手法は,ほとんどの指標において,シリコン内評価における最先端のベースラインよりも優れていることが示された。 注目すべきことに,本手法はタンパク質の構造と配列の相互制約を活用することで,類似した構造と最適化された性質を持つタンパク質配列の設計を容易にするという,ユニークな利点を提供する。 コードとデータはhttps://github.com/GENTEL-lab/HADES.comで公開されている。

関連論文リスト

• Leveraging Discrete Function Decomposability for Scientific Design [48.365465744654365]
  AI駆動の科学とエンジニアリングの時代、私たちはしばしば、ユーザが指定したプロパティに従って、サイリコでオブジェクトを設計したいと考えています。 例えば、ターゲットを結合するタンパク質を設計したり、遅延を最小限にするために回路内のコンポーネントを配置したり、特定の特性を持つ材料を見つけたりしたいかもしれません。 本稿では,新しい分散最適化アルゴリズムであるDADO(De-Aware Distributional Optimization)を提案する。
  論文  参考訳（メタデータ） (2025-11-04T21:57:51Z)
• 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)
• Quantum Algorithm for Protein Side-Chain Optimisation: Comparing Quantum to Classical Methods [0.0]
  本研究では,タンパク質構造の基底状態エネルギーを計算するための資源効率最適化アルゴリズムを開発した。 量子近似最適化アルゴリズムを用いて、コンフォーメーション空間を探索し、低エネルギー構成を同定する量子アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-25T15:37:04Z)
• An Efficient Quantum Approximate Optimization Algorithm with Fixed Linear Ramp Schedule for Truss Structure Optimization [0.0]
  本研究では,量子変動回路に基づく新しい構造最適化手法を提案する。 設計変数を乗算器として定義することにより、ロッドの断面領域を調整する際の柔軟性が向上する。 その結果、目的関数は単純な形式であり、QAOAを用いた効率的な最適化を可能にする。
  論文  参考訳（メタデータ） (2025-02-24T01:19:41Z)
• Elucidating Subspace Perturbation in Zeroth-Order Optimization: Theory and Practice at Scale [33.38543010618118]
  Zeroth-order (ZO) 最適化は、勾配ベースのバックプロパゲーション法に代わる有望な代替手段として登場した。 高次元性が主要なボトルネックであることを示し、サブスペースの摂動が勾配ノイズを減らし収束を加速させる方法について説明するために、テキストサブスペースアライメントの概念を導入する。 本稿では,ブロック座標降下法(MeZO-BCD)を用いた効率的なZO法を提案し,各ステップでパラメータのサブセットのみを摂動・更新する。
  論文  参考訳（メタデータ） (2025-01-31T12:46:04Z)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• 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)
• Fast differentiable DNA and protein sequence optimization for molecular design [0.0]
  シークエンスから生物学的適合性を正確に予測する機械学習モデルは、分子設計の強力なツールになりつつある。 そこで本研究では,従来提案されていたストレートスルー近似法を用いて,離散シーケンスサンプルを最適化する。 私たちがFast SeqPropPropと呼ぶ結果のアルゴリズムは、以前のバージョンに比べて最大100倍の高速収束を実現している。
  論文  参考訳（メタデータ） (2020-05-22T17:03:55Z)

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。