論文の概要: MIMIC: A Generative Multimodal Foundation Model for Biomolecules

• arxiv url: http://arxiv.org/abs/2604.24506v1
• Date: Mon, 27 Apr 2026 14:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.067902
• Title: MIMIC: A Generative Multimodal Foundation Model for Biomolecules
• Title（参考訳）: MIMIC: 生体分子のための生成的マルチモーダルファンデーションモデル
• Authors: Siavash Golkar, Jake Kovalic, Irina Espejo Morales, Samuel Sledzieski, Minhuan Li, Ksenia Sokolova, Geraud Krawezik, Alberto Bietti, Claudia Skok Gibbs, Roman Klypa, Shengwei Xiong, Francois Lanusse, Liam Parker, Kyunghyun Cho, Miles Cranmer, Tom Hehir, Michael McCabe, Lucas Meyer, Rudy Morel, Payel Mukhopadhyay, Mariel Pettee, Helen Qu, Jeff Shen, David Fouhey, Hadi Sotoudeh, Vikram Mulligan, Pilar Cossio, Sonya M. Hanson, Alisha N. Jones, Olga G. Troyanskaya, Shirley Ho,
• Abstract要約: 新たにキュレートおよびアライメントされたデータセット LORE に基づいて学習した生成的マルチモーダル基盤モデルMIMICを提案する。 MIMICはスプリットトラックエンコーダ・デコーダアーキテクチャを使用して、観測されたモダリティの任意のサブセットを条件にしている。 MIMICはRNAとタンパク質下流モデリングタスクで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 33.78730863042891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological function emerges from coupled constraints across sequence, structure, regulation, evolution, and cellular context, yet most foundation models in biology are trained within one modality or for a fixed forward task. We present MIMIC, a generative multimodal foundation model trained on our newly curated and aligned dataset, LORE, linking nucleic acid, protein, evolutionary, structural, regulatory, and semantic/contextual modalities within partially observed biomolecular states. MIMIC uses a split-track encoder-decoder architecture to condition on arbitrary subsets of observed modalities and reconstruct or generate missing components of molecular state across the genome, transcriptome, and proteome. Multimodal conditioning consistently improves MIMIC's sequence reconstruction relative to sequence-only inputs, while its learned representations enable state-of-the-art performance on RNA and protein downstream tasks. MIMIC achieves state-of-the-art splicing prediction, and its joint generative formulation enables isoform-aware inference that further improves performance. Beyond prediction, the same generative framework supports constrained design. For RNA, MIMIC identifies corrective edits in a clinically relevant HBB splice-disrupting mutation without reverting it by using evolutionary and structural signals. For proteins, jointly conditioning on shape and surface chemistry of PD-L1 and hACE2 binding sites produces diverse, high-confidence sequences with strong in silico support for target binding. Finally, MIMIC uses experimental context as semantic conditioning to model assay-dependent RNA chemical probing, rather than treating context as a fixed output. Together, these results position MIMIC's aligned multimodal generative modeling as a strong foundation for unifying representation learning, conditional prediction, and constrained biomolecular design within a single model.
• Abstract（参考訳）: 生物学的機能は、配列、構造、規制、進化、細胞コンテキストにまたがる結合した制約から生じるが、生物学の基盤モデルのほとんどは、1つのモダリティまたは固定された前方タスクで訓練される。 筆者らは, 新たにキュレートおよびアライメントされたデータセットであるLOREに基づいて, 核酸, タンパク質, 進化的, 構造的, 規制的, 意味的・コンテキスト的様相を部分的に観察した生体分子状態に関連づけた, 生成的マルチモーダル基礎モデルMIMICを提案する。 MIMICはスプリット・トラック・エンコーダ・デコーダ・アーキテクチャを用いて観察されたモダリティの任意のサブセットを条件付け、ゲノム、トランスクリプトーム、プロテオームにまたがる分子状態の欠如した構成要素を再構成または生成する。 マルチモーダル条件付けは、配列のみの入力に対してMIMICの配列再構成を一貫して改善し、その学習された表現は、RNAおよびタンパク質下流タスクにおける最先端のパフォーマンスを可能にする。 MIMICは最先端のスプライシング予測を実現し,その共同生成式によりアイソフォーム認識推論が可能となり,性能が向上する。 予測以外にも、同じ生成フレームワークは制約付き設計をサポートしている。 RNAについて、MIMICは、進化的および構造的信号を用いてそれを反転させることなく、臨床的に関係のあるHBBスプライス破壊突然変異における修正的編集を同定する。 タンパク質の場合、PD-L1およびhACE2結合部位の形状と表面化学を共同で条件付けすると、標的結合に対するシリカ担持が強い多種多様な高信頼配列が生成される。 最後に、MIMICは、文脈を固定出力として扱うのではなく、意味条件として実験コンテキストを使用し、アッセイ依存的なRNA化学探査をモデル化する。 これらの結果は、MIMICの整列型マルチモーダル生成モデリングを、単一のモデル内で表現学習、条件付き予測、制約付き生体分子設計を統一するための強力な基盤として位置づけている。

関連論文リスト

• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Multiscale guidance of AlphaFold3 with heterogeneous cryo-EM data [33.562685684224995]
  低温電子顕微鏡(cryo-EM)は、近原性構造不均一性をイメージングするための強力なツールとして登場した。 ここでは, タンパク質構造予測モデルを用いて学習したCryo-EM密度マップと, 豊富な配列と生物物理学的先行データを組み合わせる。 我々の方法であるCryoBoltzは、大域的および局所的な構造制約を用いて、事前訓練されたタンパク質構造予測モデルのサンプリング軌跡を導出する。
  論文  参考訳（メタデータ） (2025-06-04T22:16:27Z)
• AdaptMol: Adaptive Fusion from Sequence String to Topological Structure for Few-shot Drug Discovery [7.338199946027998]
  本稿では,Adaptive Multimodal fusion for representationを組み込んだプロトタイプネットワークであるAdaptMolを提案する。 このフレームワークは、グローバルおよび局所的な分子的特徴を動的に統合するための二重レベルアテンション機構を用いる。 5ショットと10ショット設定で一般的に使用される3つのベンチマークの実験は、AdaptMolが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-17T07:12:12Z)
• 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)
• A Generalist Cross-Domain Molecular Learning Framework for Structure-Based Drug Discovery [32.573496601865465]
  構造に基づく薬物発見(Structure-based drug discovery、SBDD)は、標的タンパク質の詳細な物理的構造を利用して新しい薬物を開発する体系的な科学的プロセスである。 生体分子の事前学習モデルの最近の進歩は、様々な生化学的応用において顕著な成功を収めている。
  論文  参考訳（メタデータ） (2025-03-06T12:04:56Z)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• Large-Scale Multi-omic Biosequence Transformers for Modeling Protein-Nucleic Acid Interactions [4.36852565205713]
  OmniBioTEは,250億以上のタンパク質と核酸を混合したトークンをトレーニングした,オープンソースのマルチオミックモデルである。 我々は,OmbiBioTEが与えられた核酸とタンパク質の結合相互作用のギブス自由エネルギーの変化を予測できることを示す。
  論文  参考訳（メタデータ） (2024-08-29T03:56:40Z)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• 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。