論文の概要: ProDCARL: Reinforcement Learning-Aligned Diffusion Models for De Novo Antimicrobial Peptide Design

• arxiv url: http://arxiv.org/abs/2602.00157v2
• Date: Wed, 04 Feb 2026 05:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 15:07:33.621954
• Title: ProDCARL: Reinforcement Learning-Aligned Diffusion Models for De Novo Antimicrobial Peptide Design
• Title（参考訳）: ProDCARL:デノボ系抗菌ペプチド設計のための強化学習型拡散モデル
• Authors: Fang Sheng, Mohammad Noaeen, Zahra Shakeri,
• Abstract要約: 抗微生物抵抗性は医療の持続性を脅かし、抗微生物ペプチド(AMP)の低コストな計算発見を動機付ける 本稿では,AMP活性およびペプチド毒性を示す配列特性予測器と拡散型タンパク質生成器を結合した強化学習フレームワークであるProDCARLを紹介する。 サイリコ実験では、ProDCARLは微調整後の平均AMPスコアを0.081から0.178に上昇させる。
• 参考スコア（独自算出の注目度）: 0.5361389213879222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Antimicrobial resistance threatens healthcare sustainability and motivates low-cost computational discovery of antimicrobial peptides (AMPs). De novo peptide generation must optimize antimicrobial activity and safety through low predicted toxicity, but likelihood-trained generators do not enforce these goals explicitly. We introduce ProDCARL, a reinforcement-learning alignment framework that couples a diffusion-based protein generator (EvoDiff OA-DM 38M) with sequence property predictors for AMP activity and peptide toxicity. We fine-tune the diffusion prior on AMP sequences to obtain a domain-aware generator. Top-k policy-gradient updates use classifier-derived rewards plus entropy regularization and early stopping to preserve diversity and reduce reward hacking. In silico experiments show ProDCARL increases the mean predicted AMP score from 0.081 after fine-tuning to 0.178. The joint high-quality hit rate reaches 6.3\% with pAMP $>$0.7 and pTox $<$0.3. ProDCARL maintains high diversity, with $1-$mean pairwise identity equal to 0.929. Qualitative analyses with AlphaFold3 and ProtBERT embeddings suggest candidates show plausible AMP-like structural and semantic characteristics. ProDCARL serves as a candidate generator that narrows experimental search space, and experimental validation remains future work.
• Abstract（参考訳）: 抗微生物抵抗性は医療の持続性を脅かし、抗微生物ペプチド(AMP)の低コストな計算発見を動機付ける。 デノボペプチド生成は、低い毒性を予測して抗菌活性と安全性を最適化する必要があるが、潜在的に訓練された生成物はこれらの目標を明示的に強制しない。 本稿では,拡散型タンパク質生成装置(EvoDiff OA-DM 38M)とAMP活性およびペプチド毒性のシーケンス特性予測器を結合した強化学習アライメントフレームワークであるProDCARLを紹介する。 AMP配列に先立って拡散を微調整してドメイン認識ジェネレータを得る。 Top-kポリシーの段階的なアップデートでは、分類器由来の報酬に加えて、エントロピー正規化と、多様性の保存と報酬ハッキングの削減に早期停止が使用されている。 サイリコ実験では、ProDCARLは微調整後の平均AMPスコアを0.081から0.178に上昇させる。 pAMP $>0.7 と pTox $<$0.3 である。 ProDCARLは高い多様性を維持しており、1対1のアイデンティティは0.929ドルである。 AlphaFold3 と ProtBERT の埋め込みによる定性的解析は、候補が可塑性AMP様の構造的および意味的特性を示すことを示唆している。 ProDCARLは実験的な探索空間を狭める候補生成器として機能し、実験的な検証は今後も継続される。

関連論文リスト

• A deep reinforcement learning platform for antibiotic discovery [101.30486136547285]
  抗微生物抵抗性(AMR)は2050年までに最大1000万人が死亡すると予想されている。 本稿では,抗生物質のde novo設計のためのディープラーニングフレームワークであるApexAmphionを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T18:21:42Z)
• OmegAMP: Targeted AMP Discovery through Biologically Informed Generation [37.08970479806285]
  深層学習に基づく抗微生物ペプチド(AMP)の発見は、制限された制御性などの重要な課題に直面している。 制御性を高めた信頼性AMP生成のためのフレームワークであるOmegAMPを紹介する。 我々のサイリコ実験では、OmegAMPがAMP発見パイプラインの重要なステージにまたがって最先端のパフォーマンスを提供することを示した。
  論文  参考訳（メタデータ） (2025-04-24T04:53:04Z)
• REAL Sampling: Boosting Factuality and Diversity of Open-Ended Generation via Asymptotic Entropy [93.8400683020273]
  大規模言語モデル(LLM)の復号法は通常、事実性の確保と多様性の維持のトレードオフに苦慮する。 核サンプリングにおける事実性および多様性を向上させる復号法であるREALサンプリングを提案する。
  論文  参考訳（メタデータ） (2024-06-11T21:44:49Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Artificial intelligence-driven antimicrobial peptide discovery [0.0]
  抗微生物ペプチド(AMP)は、抗微生物抵抗性に対する有望な薬剤として出現する。 AMPは従来の抗生物質の代替となる。 人工知能(AI)は、差別と生成の両方のアプローチを通じてAMP発見に革命をもたらした。
  論文  参考訳（メタデータ） (2023-08-21T14:02:14Z)
• Target specific peptide design using latent space approximate trajectory collector [1.7289819674602296]
  我々は,LSATC (Approximate Space Tray Collector) と呼ばれる新しい機械学習設計を提案する。 ペプチドと所望の結合特性を近似した284%の空間のサンプルからなる。 標準Wntシグナル伝達に関与する重要なエフェクタータンパク質であるβ-カテニンを標的としたペプチド拡張の設計に遅れをきたした。 LSATCにより拡張された4つの結合ペプチドは、ベータカテニン結合を少なくとも2%以上改善し、2つのペプチドは、塩基性ペプチドと比較して3ドル以上の親和性を示した。
  論文  参考訳（メタデータ） (2023-02-02T21:56:52Z)
• xTrimoABFold: De novo Antibody Structure Prediction without MSA [77.47606749555686]
  我々は、抗体配列から抗体構造を予測するために、xTrimoABFoldという新しいモデルを開発した。 CDRにおけるドメイン特異的焦点損失のアンサンブル損失とフレーム整合点損失を最小化することにより,PDBの抗体構造をエンドツーエンドにトレーニングした。
  論文  参考訳（メタデータ） (2022-11-30T09:26:08Z)
• Accelerating Antimicrobial Peptide Discovery with Latent Structure [33.288514128470425]
  我々は、AMP(LSSAMP)を設計するための潜在シーケンス構造モデルを提案する。 LSSAMPは二次構造を表現するために潜在空間における多スケールベクトル量子化を利用する。 実験の結果,LSSAMPにより産生されるペプチドは抗菌活性が高い可能性が示唆された。
  論文  参考訳（メタデータ） (2022-11-28T06:43:32Z)
• Graph-Based Active Machine Learning Method for Diverse and Novel Antimicrobial Peptides Generation and Selection [57.131117785001194]
  新しいAMP候補の大規模スクリーニングは高価で、時間もかかり、発展途上国では手頃な価格となっている。 本稿では,新しいAMPの設計に必要なウェットラブ実験の数を統計的に最小化する,アクティブ機械学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-18T14:30:48Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。