論文の概要: An Integrated Deep-Learning Framework for Peptide-Protein Interaction Prediction and Target-Conditioned Peptide Generation with ConGA-PepPI and TC-PepGen
- arxiv url: http://arxiv.org/abs/2604.18467v2
- Date: Sat, 25 Apr 2026 03:15:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:06.901779
- Title: An Integrated Deep-Learning Framework for Peptide-Protein Interaction Prediction and Target-Conditioned Peptide Generation with ConGA-PepPI and TC-PepGen
- Title（参考訳）: ConGA-PepPIおよびTC-PepGenを用いたペプチド-プロテイン相互作用予測とターゲット結合ペプチド生成のための総合的深層学習フレームワーク
- Authors: Chupei Tang, Junxiao Kong, Moyu Tang, Di Wang, Jixiu Zhai, Ronghao Xie, Shangkun Sima, Tianchi Lu,
- Abstract要約: 早期ペプチドスクリーニングのための統合フレームワークを提案する。
このフレームワークは、ConGA-PepPI(Partner-Aware Prediction and Localization Model)とターゲット条件生成モデル(TC-PepGen)を組み合わせる。
5倍のクロスバリデーションでは、ConGA-PepPIは0.839の精度と0.921のAUROCを達成し、結合部位のAUPR値はタンパク質側が0.601、ペプチド側が0.950であった。
- 参考スコア（独自算出の注目度）: 2.9196005639424647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivation: Peptide-protein interactions (PepPIs) are central to cellular regulation and peptide therapeutics, but experimental characterization remains too slow for large-scale screening. Existing methods usually emphasize either interaction prediction or peptide generation, leaving candidate prioritization, residue-level interpretation, and target-conditioned expansion insufficiently integrated. Results: We present an integrated framework for early-stage peptide screening that combines a partner-aware prediction and localization model (ConGA-PepPI) with a target-conditioned generative model (TC-PepGen). ConGA-PepPI uses asymmetric encoding, bidirectional cross-attention, and progressive transfer from pair prediction to binding-site localization, while TC-PepGen preserves target information throughout autoregressive decoding via layerwise conditioning. In five-fold cross-validation, ConGA-PepPI achieved 0.839 accuracy and 0.921 AUROC, with binding-site AUPR values of 0.601 on the protein side and 0.950 on the peptide side, and remained competitive on external benchmarks. Under a controlled length-conditioned benchmark, 40.39% of TC-PepGen peptides exceeded native templates in AlphaFold 3 ipTM, and unconstrained generation retained evidence of target-conditioned signal.
- Abstract（参考訳）: 活性化: ペプチド-タンパク質相互作用(PepPIs)は細胞調節とペプチド治療の中心であるが、大規模なスクリーニングには実験的な性質が遅すぎる。
既存の方法は、通常、相互作用予測またはペプチド生成のどちらかを強調し、候補の優先順位付け、残基レベルの解釈、ターゲット条件付き拡張が不十分に統合されている。
結果: パートナー認識型予測・局在モデル(ConGA-PepPI)とターゲット条件生成モデル(TC-PepGen)を組み合わせた早期ペプチドスクリーニングのための統合フレームワークを提案する。
ConGA-PepPIは非対称エンコーディング、双方向のクロスアテンション、およびプログレッシブトランスファーをペア予測から結合部位のローカライゼーションに使用し、TC-PepGenはレイヤーワイドコンディショニングを介して自己回帰デコーディングを通してターゲット情報を保存する。
5倍のクロスバリデーションでは、ConGA-PepPIは0.839の精度と0.921のAUROCを達成し、結合部位のAUPR値はタンパク質側が0.601、ペプチド側が0.950で、外部ベンチマークでは競争力を維持した。
40.39%のTC-PepGenペプチドがAlphaFold 3 ipTMのネイティブテンプレートを上回り、制約のない世代は標的条件信号の証拠を保持した。
関連論文リスト
- PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - KEMP-PIP: A Feature-Fusion Based Approach for Pro-inflammatory Peptide Prediction [1.0131895986034314]
KEMP-PIPは、深層タンパク質の埋め込みと手作りのディスクリプタを統合し、堅牢なPIP予測を行うハイブリッド機械学習フレームワークである。
提案手法は,事前訓練されたESMタンパク質言語モデルからのコンテキスト埋め込みと,マルチスケールのk-mer周波数,物理化学的記述子,およびmodlAMP配列の特徴を組み合わせたものである。
標準ベンチマークデータセットでは、KEMP-PIPは0.505のMCC、精度は0.752、AUCは0.762、ProIn-fuse、MultiFeatVotPIP、StackPIPを上回っている。
論文 参考訳（メタデータ） (2026-02-22T08:09:01Z) - 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) - CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。
エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。
データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文 参考訳（メタデータ） (2025-11-20T03:38:46Z) - A Novel Framework for Multi-Modal Protein Representation Learning [13.33566214386641]
2つのコア機構に対処する統合フレームワークであるDAMPE(Diffused and Aligned Multi-modal Protein Embedding)を提案する。
まず、異なるモードの内在的な埋め込み空間間の対応性を確立するための最適輸送(OT)に基づく表現アライメントを提案する。
次に,条件付きグラフ生成(CGG)に基づく情報融合手法を開発した。
論文 参考訳（メタデータ） (2025-10-27T12:33:01Z) - PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。
PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
論文 参考訳（メタデータ） (2025-07-07T15:21:05Z) - SCMPPI: Supervised Contrastive Multimodal Framework for Predicting Protein-Protein Interactions [0.0]
本稿では,タンパク質-タンパク質相互作用予測のための新しい教師付きコントラスト型マルチモーダルフレームワークSCMPPIを提案する。
8つのベンチマークデータセットの実験では、最先端の精度(98.13%)とAUC(99.69%)と優れたクロス種一般化が示されている。
CD9ネットワーク、Wnt経路解析、がん特異的ネットワークで成功した応用は、さらに疾患標的発見の可能性を強調している。
論文 参考訳（メタデータ） (2025-04-03T15:34:02Z) - A general language model for peptide identification [3.856457290796735]
PDeepPPは、事前訓練されたタンパク質言語モデルとハイブリッドトランスフォーマー-畳み込みアーキテクチャを統合する統合ディープラーニングフレームワークである。
大規模かつ正確なペプチド分析を可能にすることにより、PDeepPPは生物医学研究と疾患治療のための新しい治療標的の発見を支援している。
論文 参考訳（メタデータ） (2025-02-21T17:31:22Z) - 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) - 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)
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。