論文の概要: Mechanisms of AI Protein Folding in ESMFold

• arxiv url: http://arxiv.org/abs/2602.06020v1
• Date: Thu, 05 Feb 2026 18:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:09.142377
• Title: Mechanisms of AI Protein Folding in ESMFold
• Title（参考訳）: ESMFoldにおけるAIタンパク質のフォールディング機構
• Authors: Kevin Lu, Jannik Brinkmann, Stefan Huber, Aaron Mueller, Yonatan Belinkov, David Bau, Chris Wendler,
• Abstract要約: ESMFoldがいかにしてベータヘアピンを折りたたむかは、よく見られる構造モチーフである。 ESMFoldの構造決定の基盤となるメカニズムは局所化され、解釈可能な表現を通して追跡され、強い因果効果で操作されることを示す。
• 参考スコア（独自算出の注目度）: 60.598995350547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How do protein structure prediction models fold proteins? We investigate this question by tracing how ESMFold folds a beta hairpin, a prevalent structural motif. Through counterfactual interventions on model latents, we identify two computational stages in the folding trunk. In the first stage, early blocks initialize pairwise biochemical signals: residue identities and associated biochemical features such as charge flow from sequence representations into pairwise representations. In the second stage, late blocks develop pairwise spatial features: distance and contact information accumulate in the pairwise representation. We demonstrate that the mechanisms underlying structural decisions of ESMFold can be localized, traced through interpretable representations, and manipulated with strong causal effects.
• Abstract（参考訳）: タンパク質構造予測はどのように折りたたみタンパク質をモデル化するか? 本研究ではESMFoldがどのようにβヘアピンを折りたたむのかを追究する。 モデル潜伏剤の反実的介入により、折りたたみトランク内の2つの計算段階を同定する。 最初の段階では、初期ブロックはペアワイズな生化学的信号(残基のアイデンティティと、配列表現からペアワイズな表現への電荷フローのような関連する生化学的特徴)を初期化する。 第2段階では、遅延ブロックはペアの空間的特徴である距離と接触情報がペアの表現に蓄積される。 ESMFoldの構造決定の基盤となるメカニズムは局所化され、解釈可能な表現によって追跡され、強い因果効果で操作されることを示す。

関連論文リスト

• Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling [60.57197355431804]
  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。
  論文  参考訳（メタデータ） (2026-01-08T19:29:04Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• Representing local protein environments with atomistic foundation models [6.120694232253299]
  原子基盤モデル(AFM)の中間的特徴から得られた局所タンパク質環境の表現法を提案する。 AFMから導かれる表現空間は有意義な構造を示し、データ駆動の事前構築を可能にする。 生体分子NMR分光法(英語版)の文脈において、提案された表現により、第一種物理学インフォームド化学シフト予測器が実現できることを実証する。
  論文  参考訳（メタデータ） (2025-05-29T11:25:47Z)
• Bidirectional Hierarchical Protein Multi-Modal Representation Learning [4.682021474006426]
  大規模タンパク質配列で事前訓練されたタンパク質言語モデル(pLM)は、配列ベースタスクにおいて大きな成功を収めた。 3次元構造情報を活用するために設計されたグラフニューラルネットワーク(GNN)は、タンパク質関連予測タスクにおいて有望な一般化を示している。 本稿では、よりリッチで包括的なタンパク質表現を捉えるために、双方向かつ階層的な(双階層的な)融合アプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-07T06:47:49Z)
• The Signed Two-Space Proximity Model for Learning Representations in Protein-Protein Interaction Networks [16.396309363020908]
  複雑なタンパク質-タンパク質相互作用(PPI)の正確な予測は、生物学的プロセスの復号に不可欠である。 署名されたPPIネットワークに対して,S2-SPM(Signed Two-Space Proximity Model)を提案する。 我々のアプローチは、極端なタンパク質プロファイルを表すアーチタイプを識別することを可能にする。
  論文  参考訳（メタデータ） (2025-03-05T21:08:58Z)
• ProtSCAPE: Mapping the landscape of protein conformations in molecular dynamics [3.6181745062052495]
  我々は,新しい深層学習アーキテクチャ,タンパク質トランスフォーマー,散乱,注意,位置埋め込み(ProtSCAPE)を導入する。 ProtSCAPEは、幾何学的散乱変換のマルチスケールの性質を利用して、グラフとして概念化されたタンパク質構造から特徴を抽出する。 これらの特徴を、残基やアミノ酸シグナルに焦点をあてた二重の注意構造と統合し、タンパク質軌道の潜在的な表現を生成する。
  論文  参考訳（メタデータ） (2024-10-27T02:59:48Z)
• 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)
• 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)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。