論文の概要: EnzyPGM: Pocket-conditioned Generative Model for Substrate-specific Enzyme Design

• arxiv url: http://arxiv.org/abs/2601.19205v1
• Date: Tue, 27 Jan 2026 05:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.184588
• Title: EnzyPGM: Pocket-conditioned Generative Model for Substrate-specific Enzyme Design
• Title（参考訳）: EnzyPGM: 基板特異的酵素設計のためのポケット条件生成モデル
• Authors: Zefeng Lin, Zhihang Zhang, Weirong Zhu, Tongchang Han, Xianyong Fang, Tianfan Fu, Xiaohua Xu,
• Abstract要約: EnzyPGMは、機能的前駆体と基質に条件付けられた酵素と基質結合ポケットを共同で生成する統一的なフレームワークである。 EnzyPGMの中核には2つの主要なモジュールがある: Residue-atom Bi-scale Attention (RBA) は、残基内依存性とポケット残基と基質原子間のきめ細かい相互作用を共同でモデル化し、Residue Fusion (RFF) は酵素機能を前駆体として残基表現に組み込む。
• 参考スコア（独自算出の注目度）: 11.03225817843529
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing enzymes with substrate-binding pockets is a critical challenge in protein engineering, as catalytic activity depends on the precise interaction between pockets and substrates. Currently, generative models dominate functional protein design but cannot model pocket-substrate interactions, which limits the generation of enzymes with precise catalytic environments. To address this issue, we propose EnzyPGM, a unified framework that jointly generates enzymes and substrate-binding pockets conditioned on functional priors and substrates, with a particular focus on learning accurate pocket-substrate interactions. At its core, EnzyPGM includes two main modules: a Residue-atom Bi-scale Attention (RBA) that jointly models intra-residue dependencies and fine-grained interactions between pocket residues and substrate atoms, and a Residue Function Fusion (RFF) that incorporates enzyme function priors into residue representations. Also, we curate EnzyPock, an enzyme-pocket dataset comprising 83,062 enzyme-substrate pairs across 1,036 four-level enzyme families. Extensive experiments demonstrate that EnzyPGM achieves state-of-the-art performance on EnzyPock. Notably, EnzyPGM reduces the average binding energy of 0.47 kcal/mol over EnzyGen, showing its superior performance on substrate-specific enzyme design. The code and dataset will be released later.
• Abstract（参考訳）: 基質結合性ポケットを用いた酵素の設計は、触媒活性がポケットと基質の正確な相互作用に依存するため、タンパク質工学において重要な課題である。 現在、生成モデルは機能的タンパク質設計を支配しているが、ポケット-基質相互作用をモデル化することはできない。 本稿では,酵素と基質結合ポケットを協調的に生成する統一的なフレームワークであるEnzyPGMを提案する。 EnzyPGMの中核には2つの主要なモジュールがある: Residue-atom Bi-scale Attention (RBA) は、残基内依存性とポケット残基と基質原子間のきめ細かい相互作用を共同でモデル化し、Residue Function Fusion (RFF) は酵素機能の先行を残基表現に組み込む。 また,EnzyPock,83,062の酵素-基質対からなる酵素-ポケットデータセットを1,036の4レベルの酵素ファミリーでキュレートした。 大規模な実験では、EnzyPockの最先端のパフォーマンスが達成されている。 特に、 EnzyPGM は EnzyGen 上の 0.47 kcal/mol の平均結合エネルギーを減少させ、基質特異的な酵素設計において優れた性能を示す。 コードとデータセットは後にリリースされる。

関連論文リスト

• EnzyControl: Adding Functional and Substrate-Specific Control for Enzyme Backbone Generation [27.86567331220053]
  現在の生成モデルはタンパク質設計に優れているが、結合データ、基質特異的制御、デノボ酵素のバックボーン生成の柔軟性に制限がある。 本稿では,酵素のバックボーン生成における機能的および基質特異的制御を可能にするEnzyControlを提案する。 本手法は, MSA-アノテート触媒部位およびそれらの基質に条件付き酵素バックボーンを生成し, キュレートされた酵素基質データから自動的に抽出する。
  論文  参考訳（メタデータ） (2025-10-29T03:22:32Z)
• Multimodal Regression for Enzyme Turnover Rates Prediction [57.60697333734054]
  本稿では,酵素配列,基質構造,環境因子を統合することで,酵素の回転率を予測する枠組みを提案する。 我々のモデルは、事前訓練された言語モデルと畳み込みニューラルネットワークを組み合わせて、タンパク質配列から特徴を抽出する。 我々は、Kolmogorov-Arnold Networksを介して、酵素の回転率を管理する数学的公式を明示的に学習するために、シンボリックレグレッションを利用する。
  論文  参考訳（メタデータ） (2025-09-15T11:07:26Z)
• 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)
• OmniESI: A unified framework for enzyme-substrate interaction prediction with progressive conditional deep learning [46.402707495664174]
  条件付き深層学習による酵素-基質相互作用予測のための2段階プログレッシブフレームワークであるOmniESIを導入する。 我々は,OmniESIが最先端の特殊手法よりも優れた性能を実現していることを示す。 全体として、OmniESIは酵素-基質相互作用の統一的な予測手法である。
  論文  参考訳（メタデータ） (2025-06-22T09:40:40Z)
• Reaction-conditioned De Novo Enzyme Design with GENzyme [64.14088142258498]
  textscGENzymeは、触媒反応を入力として、触媒ポケット、全酵素構造、酵素-基質結合複合体を生成する、テクスチドノボ酵素設計モデルである。 textscGENzymeは,(1)触媒ポケット生成および配列共設計モジュール,(2)ポケット塗布および酵素逆折り畳みモジュール,(3)酵素-基質複合体の最適化と予測のための結合およびスクリーニングモジュールを統合した,エンド・ツー・エンドの3段階モデルである。
  論文  参考訳（メタデータ） (2024-11-10T00:37:26Z)
• EnzymeFlow: Generating Reaction-specific Enzyme Catalytic Pockets through Flow Matching and Co-Evolutionary Dynamics [51.47520281819253]
  酵素設計はバイオテクノロジーにおいて重要な領域であり、医薬品開発から合成生物学まで幅広い応用がある。 酵素機能予測やタンパク質結合ポケット設計の伝統的な手法は、しばしば酵素-基質相互作用の動的および複雑な性質を捉えるのに不足する。 本稿では, 触媒ポケットを生成するために, 階層的事前学習と酵素-反応共進化を用いたフローマッチングを用いた生成モデルであるEnzymeFlowを紹介する。
  論文  参考訳（メタデータ） (2024-10-01T02:04:01Z)
• Generative Enzyme Design Guided by Functionally Important Sites and Small-Molecule Substrates [16.5169461287914]
  本稿では,酵素をすべての官能基にまたがって設計する統一モデルを学ぶためのアプローチであるEnzyGenを提案する。 我々のキーとなるアイデアは、酵素のアミノ酸配列とその3D座標を、所望の触媒機能に対応する機能的に重要な部位と基質に基づいて生成することである。
  論文  参考訳（メタデータ） (2024-05-13T21:48:48Z)
• Machine learning modeling of family wide enzyme-substrate specificity screens [2.276367922551686]
  バイオ触媒は、医薬品、複雑な天然物、商品化学物質を大規模に合成するための有望なアプローチである。 生体触媒の導入は、非天然基質上での化学的変換を触媒する酵素の選択能力によって制限される。
  論文  参考訳（メタデータ） (2021-09-08T19:44:42Z)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)

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。