論文の概要: Refold: Refining Protein Inverse Folding with Efficient Structural Matching and Fusion

• arxiv url: http://arxiv.org/abs/2603.14350v1
• Date: Sun, 15 Mar 2026 12:36:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.765352
• Title: Refold: Refining Protein Inverse Folding with Efficient Structural Matching and Fusion
• Title（参考訳）: リフォールド : 効率的な構造マッチングと融合によるタンパク質逆成形
• Authors: Yiran Zhu, Changxi Chi, Hongxin Xiang, Wenjie Du, Xiaoqi Wang, Jun Xia,
• Abstract要約: 逆フォールディングは、特定のバックボーン構造に折り畳むアミノ酸配列を設計することを目的としている。 データベースに基づく構造的事前の強みとディープラーニング予測を統合した,新たなフレームワークであるRefoldを紹介する。 我々はRefoldが標準ベンチマークで0.63の最先端のネイティブシークエンスリカバリを実現することを示す。
• 参考スコア（独自算出の注目度）: 17.46770853528419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein inverse folding aims to design an amino acid sequence that will fold into a given backbone structure, serving as a central task in protein design. Two main paradigms have been widely explored. Template-based methods exploit database-derived structural priors and can achieve high local precision when close structural neighbors are available, but their dependence on database coverage and match quality often degrades performance on out-of-distribution (OOD) targets. Deep learning approaches, in contrast, learn general structure-to-sequence regularities and usually generalize better to new backbones. However, they struggle to capture fine-grained local structure, which can cause uncertain residue predictions and missed local motifs in ambiguous regions. We introduce Refold, a novel framework that synergistically integrates the strengths of database-derived structural priors and deep learning prediction to enhance inverse folding. Refold obtains structural priors from matched neighbors and fuses them with model predictions to refine residue probabilities. In practice, low-quality neighbors can introduce noise, potentially degrading model performance. We address this issue with a Dynamic Utility Gate that controls prior injection and falls back to the base prediction when the priors are untrustworthy. Comprehensive evaluations on standard benchmarks demonstrate that Refold achieves state-of-the-art native sequence recovery of 0.63 on both CATH 4.2 and CATH 4.3. Also, analysis indicates that Refold delivers larger gains on high-uncertainty regions, reflecting the complementarity between structural priors and deep learning predictions.
• Abstract（参考訳）: タンパク質逆フォールディングは、特定のバックボーン構造に折り畳み、タンパク質設計の中心となるアミノ酸配列を設計することを目的としている。 2つの主要なパラダイムが広く研究されている。 テンプレートベースの手法は、データベースから派生した構造的前提を利用して、近接構造的隣人が利用できる場合に高い局所的精度を達成するが、データベースのカバレッジと品質への依存は、アウト・オブ・ディストリビューション(OOD)ターゲットの性能を劣化させることが多い。 対照的に、ディープラーニングアプローチは、一般的な構造からシーケンスの規則性を学び、通常、新しいバックボーンをより一般化する。 しかし、細粒な局所構造を捉えるのに苦労し、不確実な残留予測を引き起こし、曖昧な地域での局所的なモチーフを見逃してしまう可能性がある。 Refoldは、データベースから派生した構造的事前の強みと、逆フォールディングを強化するためのディープラーニング予測を相乗的に統合する新しいフレームワークである。 リフォールドは一致した隣人から構造的先行値を取得し、モデル予測と融合して残留確率を洗練させる。 実際には、低品質の隣人はノイズを導入でき、モデルの性能を低下させる可能性がある。 この問題に対処するDynamic Utility Gateは、事前注入を制御し、前者が信頼できない場合にベース予測にフォールバックする。 標準ベンチマークに関する総合的な評価は、RefoldがCATH 4.2とCATH 4.3の両方で0.63の最先端のネイティブシークエンス回復を達成したことを示している。 また、Refoldは、構造的先行とディープラーニング予測の相補性を反映して、高い不確実性領域でより大きな利益をもたらすことを示す。

関連論文リスト

• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• Enhancing Generalization of Depth Estimation Foundation Model via Weakly-Supervised Adaptation with Regularization [21.788680301776207]
  WeSTAR(Weakly supervised Self-Training Adaptation with Regularization)を提案する。 まず、構造的自己超越の主源として、密集した自己学習目標を採用する。 さらにロバスト性を改善するために,意味論的に認識された階層的正規化を導入する。
  論文  参考訳（メタデータ） (2025-11-18T08:16:16Z)
• 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)
• Foundation Models for Demand Forecasting via Dual-Strategy Ensembling [11.926658499983446]
  本研究では,現実のサプライチェーンにおける販売予測のための基盤モデルの性能を向上させる統一アンサンブルフレームワークを提案する。 提案手法は,(1)階層型アンサンブル(HE)と(2)モデルバックボーンからの予測を統合し,バイアスを緩和し,安定性を向上させるアーキテクチャアンサンブル(AE)の2つの相補的戦略を組み合わせる。
  論文  参考訳（メタデータ） (2025-07-29T17:56:38Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
  Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。 推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
  論文  参考訳（メタデータ） (2025-06-10T02:25:31Z)
• Protein Inverse Folding From Structure Feedback [78.27854221882572]
  本稿では,タンパク質の折りたたみモデルからのフィードバックを用いて,逆折りたたみモデルを微調整する手法を提案する。 CATH 4.2 テストセットの結果,DPO の微調整により平均 TM-Score が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-06-03T16:02:12Z)
• Mind the Backbone: Minimizing Backbone Distortion for Robust Object Detection [52.355018626115346]
  ドメインシフトに対して堅牢なオブジェクト検出器を構築することは、現実世界のアプリケーションにとって重要なことです。 我々は,ゆがみを特徴付けるバックボーンの脆弱性を測定する手段として,相対勾配ノルム(Relative Gradient Norm)を提案する。 両バックボーンのOOD堅牢性を高めるためのレシピを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:50:43Z)
• AlphaFold Distillation for Protein Design [25.190210443632825]
  逆タンパク質の折りたたみはバイオエンジニアリングと薬物発見に不可欠である。 AlphaFoldのような前方の折りたたみモデルは、シーケンスから構造を正確に予測することで潜在的な解決策を提供する。 本稿では, 折り畳みモデルの信頼性測定値に対する知識蒸留を用いて, より高速かつエンドツーエンドの識別可能な蒸留モデルを作成することを提案する。
  論文  参考訳（メタデータ） (2022-10-05T19:43:06Z)

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。