論文の概要: RIGA-Fold: A General Framework for Protein Inverse Folding via Recurrent Interaction and Geometric Awareness
- arxiv url: http://arxiv.org/abs/2602.04637v1
- Date: Wed, 04 Feb 2026 15:07:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-05 19:45:11.583121
- Title: RIGA-Fold: A General Framework for Protein Inverse Folding via Recurrent Interaction and Geometric Awareness
- Title（参考訳）: RIGA-Fold:リカレントインタラクションと幾何学的認識によるタンパク質逆フォールディングのための汎用フレームワーク
- Authors: Sisi Yuan, Jiehuang Chen, Junchuang Cai, Dong Xu, Xueliang Li, Zexuan Zhu, Junkai Ji,
- Abstract要約: RIGA-Foldは、リカレントインタラクションと幾何学的認識を相乗化するフレームワークである。
構造的モダリティとシーケンス的モダリティのギャップを埋めるために、強化された変種RIGA-Fold*を導入する。
我々のフレームワークは、シーケンス回復と構造的整合性の両方において、最先端のベースラインを著しく上回る。
- 参考スコア（独自算出の注目度）: 14.42786271490985
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Protein inverse folding, the task of predicting amino acid sequences for desired structures, is pivotal for de novo protein design. However, existing GNN-based methods typically suffer from restricted receptive fields that miss long-range dependencies and a "single-pass" inference paradigm that leads to error accumulation. To address these bottlenecks, we propose RIGA-Fold, a framework that synergizes Recurrent Interaction with Geometric Awareness. At the micro-level, we introduce a Geometric Attention Update (GAU) module where edge features explicitly serve as attention keys, ensuring strictly SE(3)-invariant local encoding. At the macro-level, we design an attention-based Global Context Bridge that acts as a soft gating mechanism to dynamically inject global topological information. Furthermore, to bridge the gap between structural and sequence modalities, we introduce an enhanced variant, RIGA-Fold*, which integrates trainable geometric features with frozen evolutionary priors from ESM-2 and ESM-IF via a dual-stream architecture. Finally, a biologically inspired ``predict-recycle-refine'' strategy is implemented to iteratively denoise sequence distributions. Extensive experiments on CATH 4.2, TS50, and TS500 benchmarks demonstrate that our geometric framework is highly competitive, while RIGA-Fold* significantly outperforms state-of-the-art baselines in both sequence recovery and structural consistency.
- Abstract（参考訳）: タンパク質の逆フォールディングは、望ましい構造のためにアミノ酸配列を予測するタスクであり、デ・ノボタンパク質の設計において重要な役割を担っている。
しかし、既存のGNNベースのメソッドは通常、長距離依存を見逃す制限された受容フィールドと、エラーの蓄積につながる"シングルパス"推論パラダイムに悩まされる。
これらのボトルネックに対処するため, RIGA-Foldを提案する。
マイクロレベルではGeometric Attention Update (GAU) モジュールを導入し、エッジ機能は注意キーとして機能し、厳密なSE(3)不変ローカルエンコーディングを保証する。
マクロレベルでは,グローバルなトポロジ情報を動的に注入するソフトゲーティング機構として機能するアテンションベースのグローバルコンテキストブリッジを設計する。
さらに、構造とシーケンスのモダリティのギャップを埋めるために、トレーニング可能な幾何学的特徴とESM-2とESM-IFの凍結進化前の進化とを統合した拡張型RIGA-Fold*を導入する。
最後に、生物学的にインスパイアされた「予測・リサイクル・リファイン」戦略により、配列分布を反復的に復調する。
CATH 4.2, TS50, TS500ベンチマークの大規模な実験により、我々の幾何学的枠組みは極めて競争力があり、RIGA-Fold*は、シーケンス回復と構造的整合性の両方において最先端のベースラインを著しく上回ることを示した。
関連論文リスト
- Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。
提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。
我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
論文 参考訳（メタデータ） (2026-01-13T00:42:22Z) - GFLAN: Generative Functional Layouts [1.1458853556386797]
GFLANは、フロアプラン合成を明示的な因子化によって、トポロジカルプランニングと幾何学的実現に再構成する生成フレームワークである。
提案手法は,2段階分解の原理を優先して,直接画素間あるいは壁面追跡生成から逸脱する。
論文 参考訳（メタデータ） (2025-12-18T07:52:47Z) - PRGCN: A Graph Memory Network for Cross-Sequence Pattern Reuse in 3D Human Pose Estimation [18.771349697842947]
本稿では、パターン検索と適応の問題としてポーズ推定を形式化する新しいフレームワークであるパターン再利用グラフ変換ネットワーク(PRGCN)を紹介する。
PRGCNのコアとなるグラフメモリバンクは、リレーショナルグラフとして符号化された一連のコンパクトなポーズプロトタイプを学習し、格納する。
PRGCNは,それぞれ37.1mm,13.4mmのMPJPEを達成し,クロスドメインの一般化能力の向上を図っている。
論文 参考訳（メタデータ） (2025-10-22T11:12:07Z) - Learning the Structure of Connection Graphs [13.687470962704744]
接続グラフ(CG)は、ネットワークトポロジーと変換を結合することで従来のグラフモデルを拡張し、グローバルな幾何学的一貫性の表現を可能にする。
本稿では,ラプラシアン接続と基礎となるラプラシアンをリンクするスペクトル特性を強制する,一貫した仮定の下での最大擬似構造に基づく原理的枠組みを提案する。
本稿では,ネットワークトポロジ,エッジウェイト,幾何学的構造を共同推論するブロック最適化手法であるStructured Connection Graph Learning (SCGL)アルゴリズムを紹介する。
論文 参考訳（メタデータ） (2025-10-13T10:33:31Z) - PRISM: Enhancing Protein Inverse Folding through Fine-Grained Retrieval on Structure-Sequence Multimodal Representations [42.870409939729974]
逆フォールディングのための多モーダル検索拡張生成フレームワークであるPRISMを提案する。
既知のタンパク質から潜在的なモチーフの微細な表現を回収し、それらをハイブリッドなセルフクロスアテンションデコーダと統合する。
PRISMは、パープレキシティとアミノ酸の回収の両方において新しい技術状態を確立し、フォールドビリティの指標も改善した。
論文 参考訳（メタデータ） (2025-10-12T00:45:22Z) - Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。
非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。
新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
論文 参考訳（メタデータ） (2025-10-09T12:52:55Z) - A general optimization framework for mapping local transition-state networks [0.0]
局所遷移状態ネットワークは、観測された振る舞いを説明する障壁アーキテクチャを明らかにする。
本稿では,多目的エクスプローラーと二層最小モードカーネルを結合することにより,局所的カバレッジを体系的に拡張する汎用最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-30T13:54:10Z) - Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。
我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文 参考訳（メタデータ） (2025-09-03T18:05:02Z) - UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
自然系における関数の統一生成モデルUniGenXを提案する。
UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。
ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-03-09T16:43:07Z) - Geometric Neural Process Fields [58.77241763774756]
幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。
これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。
3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2025-02-04T14:17:18Z)
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。