論文の概要: Cross-Chirality Generalization by Axial Vectors for Hetero-Chiral Protein-Peptide Interaction Design

• arxiv url: http://arxiv.org/abs/2602.20176v1
• Date: Fri, 13 Feb 2026 02:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.64438
• Title: Cross-Chirality Generalization by Axial Vectors for Hetero-Chiral Protein-Peptide Interaction Design
• Title（参考訳）: ヘテロキラルタンパク-ペプチド相互作用設計のための軸ベクトルによるキラル性一般化
• Authors: Ziyi Yang, Zitong Tian, Yinjun Jia, Tianyi Zhang, Jiqing Zheng, Hao Wang, Yubu Su, Juncai He, Lei Liu, Yanyan Lan,
• Abstract要約: ホモキラル(L-L)トレーニングデータからヘテロキラル(D-L)設計タスクへのクロスキラル性一般化の実現が可能であることを示す。 我々のアプローチは、D-ペプチド結合体のデノボ設計のための最初の湿式検証AIである。
• 参考スコア（独自算出の注目度）: 34.75700426416354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: D-peptide binders targeting L-proteins have promising therapeutic potential. Despite rapid advances in machine learning-based target-conditioned peptide design, generating D-peptide binders remains largely unexplored. In this work, we show that by injecting axial features to $E(3)$-equivariant (polar) vector features,it is feasible to achieve cross-chirality generalization from homo-chiral (L--L) training data to hetero-chiral (D--L) design tasks. By implementing this method within a latent diffusion model, we achieved D-peptide binder design that not only outperforms existing tools in in silico benchmarks, but also demonstrates efficacy in wet-lab validation. To our knowledge, our approach represents the first wet-lab validated generative AI for the de novo design of D-peptide binders, offering new perspectives on handling chirality in protein design.
• Abstract（参考訳）: L-タンパク質を標的とするD-ペプチド結合体は、有望な治療効果を有する。 機械学習に基づくターゲット条件ペプチドの設計の急速な進歩にもかかわらず、D-ペプチドバインダーの生成はほとんど未発見のままである。 本研究では, 軸方向の特徴を$E(3)$-equivariant (polar) ベクトル特徴に注入することにより, ホモキラル (L-L) トレーニングデータからヘテロキラル (D-L) 設計タスクへのクロスキラル性一般化を実現することができることを示す。 この手法を潜伏拡散モデル内に実装することにより,既存のツールをサイリコベンチマークで上回るD-ペプチドバインダー設計を実現し,ウェットラブの検証にも有効であることを示す。 我々の知る限り、我々のアプローチはD-ペプチド結合体のデ・ノボ設計のための最初の湿式検証AIであり、タンパク質設計におけるキラリティの扱いに関する新たな視点を提供する。

関連論文リスト

• SaDiT: Efficient Protein Backbone Design via Latent Structural Tokenization and Diffusion Transformers [50.18388227899971]
  本稿では,SaProt TokenizationとDiffusion Transformer (DiT)アーキテクチャを統合することで,タンパク質のバックボーン生成を促進する新しいフレームワークであるSaDiTを提案する。 実験により、SaDiTはRFDiffusionやProteinaといった最先端モデルよりも計算速度と構造的生存性が優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-06T13:50:13Z)
• PepEDiff: Zero-Shot Peptide Binder Design via Protein Embedding Diffusion [3.9876702935151225]
  本稿では、標的受容体タンパク質配列とそのポケット残基の結合配列を設計する新規ペプチドバインダージェネレータであるPepediffを紹介する。 本手法は, 予め訓練されたタンパク質の埋め込みモデルから導かれる連続潜伏空間において, バインダー配列を直接生成することによって既存の手法から逸脱する。 その単純さにもかかわらず、ベンチマークテストやTIGITケーススタディにおいて、我々の手法は最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2026-01-19T19:07:32Z)
• Reimagining Target-Aware Molecular Generation through Retrieval-Enhanced Aligned Diffusion [22.204642926984526]
  Retrieval-Augmented GenerationとSE(3)-同変拡散モデルとを融合した最初のREADが導入された。 CBGBenchでは非常に競争力があり、最先端のジェネレーティブモデルやネイティブな足場を超越している。
  論文  参考訳（メタデータ） (2025-06-17T13:09:11Z)
• THFlow: A Temporally Hierarchical Flow Matching Framework for 3D Peptide Design [14.436723124352817]
  多モーダル時間的不整合問題は、低結合性生成ペプチドに寄与する重要な因子である。 本稿では,ペプチドの位置とコンフォーメーションの時間的階層を明示的にモデル化するフローベース生成モデルを提案する。 THFlowは、安定性、親和性、多様性に優れたペプチドを生成する既存の方法よりも優れている。
  論文  参考訳（メタデータ） (2025-02-21T06:49:49Z)
• TAGMol: Target-Aware Gradient-guided Molecule Generation [19.977071499171903]
  3次元生成モデルは、構造ベースドラッグデザイン(SBDD)において大きな可能性を秘めている。 問題を分子生成と特性予測に分離する。 後者は相乗的に拡散サンプリング過程を導出し、誘導拡散を促進し、所望の性質を持つ有意義な分子を創出する。 この誘導分子生成過程をTAGMolと呼ぶ。
  論文  参考訳（メタデータ） (2024-06-03T14:43:54Z)
• PPFlow: Target-aware Peptide Design with Torsional Flow Matching [52.567714059931646]
  ペプチド構造設計のためのねじれ角の内部構造をモデル化するために,textscPPFlowと呼ばれるターゲット認識型ペプチド設計手法を提案する。 さらに, PPBench2024というタンパク質-ペプチド結合データセットを構築した。
  論文  参考訳（メタデータ） (2024-03-05T13:26:42Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
  構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。 本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。 概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
  論文  参考訳（メタデータ） (2022-08-14T10:41:52Z)
• De novo design of protein target specific scaffold-based Inhibitors via Reinforcement Learning [8.210294479991118]
  標的タンパク質の分子開発への現在のアプローチは直観駆動であり、反復的な設計-テストサイクルが遅くなるのを妨げている。 本稿では3D-MolGNN$_RL$と呼ばれる新しいフレームワークを提案する。 われわれのアプローチは、最適化された活動、有効性、生体物理特性によるリード最適化のための解釈可能な人工知能(AI)ツールとして機能する。
  論文  参考訳（メタデータ） (2022-05-21T00:47:35Z)
• Designing a Prospective COVID-19 Therapeutic with Reinforcement Learning [50.57291257437373]
  SARS-CoV-2パンデミックは、治療のための世界的なレースを生み出した。 1つのアプローチは、ヒトアンジオテンシン変換酵素2(ACE2)の新規な変異体の設計に焦点を当てる 我々は、強化学習問題として、新しいタンパク質設計の枠組みを定式化する。
  論文  参考訳（メタデータ） (2020-12-03T07:35:38Z)

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。