論文の概要: Proteo-R1: Reasoning Foundation Models for De Novo Protein Design

• arxiv url: http://arxiv.org/abs/2605.02937v1
• Date: Fri, 01 May 2026 06:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.516444
• Title: Proteo-R1: Reasoning Foundation Models for De Novo Protein Design
• Title（参考訳）: Proteo-R1:De Novoタンパク質設計の基礎モデル
• Authors: Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, Chiho Im, Seungju Han, Peng Xia, Tinson Xu, Yinxi Li, Deyao Zhu, Pheng-Ann Heng, Naoto Yokoya, Masashi Sugiyama, Li Erran Li, Jure Leskovec, Yejin Choi,
• Abstract要約: 推論誘導型タンパク質設計フレームワークであるbfProteo-R1を紹介する。 アンフェロメトリ生成から分子内理解を分離する。 Proteo-R1は、最新の幾何学的生成モデルと推論の安定、解釈可能、モジュール的な統合を実現する。
• 参考スコア（独自算出の注目度）: 129.2825640976092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning in \emph{de novo} protein design has achieved atomic-level fidelity. However, existing models remain largely non-deliberative: they directly synthesize molecular geometries without explicitly reasoning about which residues or interactions are functionally essential. As a result, design decisions are entangled with continuous sampling dynamics, limiting interpretability, controllability, and systematic reuse of biochemical knowledge. We introduce \textbf{Proteo-R1}, a reasoning-guided protein design framework that explicitly decouples \emph{molecular understanding} from \emph{geometric generation}. Proteo-R1 adopts a dual-expert architecture in which a multimodal large language model (MLLM) serves as an \emph{understanding expert}, analyzing protein sequences, structures, and textual context to identify key functional residues that govern binding and specificity. These residue-level decisions are then passed as hard constraints to a separate diffusion-based \emph{generation expert}, which performs conditional co-design while respecting the fixed interaction anchors. This factorization mirrors how human experts approach molecular engineering: first, reasoning about critical interactions, then optimizing geometry subject to those constraints. By operationalizing reasoning as explicit residue-level commitments rather than latent textual guidance, Proteo-R1 achieves stable, interpretable, and modular integration of LLM reasoning with state-of-the-art geometric generative models. Code, data, and demos are available at https://smiles724.github.io/r1/.
• Abstract（参考訳）: emph{de novo}タンパク質設計における深層学習は原子レベルの忠実性を達成した。 しかし、既存のモデルは大部分が非決定的であり、どの残基や相互作用が機能的に必須かを明確に推論することなく、直接分子のジオメトリーを合成する。 その結果、設計決定は、連続的なサンプリング力学、解釈可能性の制限、制御可能性、および生化学知識の体系的な再利用と結びついている。 そこで我々は, 推論誘導型タンパク質設計フレームワークである \textbf{Proteo-R1} を導入し, \emph{geometric generation} から \emph{molecular understanding} を明示的に分離する。 Proteo-R1 は、多モーダルな言語モデル (MLLM) が \emph{understanding expert} として機能し、タンパク質配列、構造、テキストコンテキストを分析し、結合と特異性を管理する主要な機能的残基を識別するデュアルエキスパートアーキテクチャを採用している。 これらの残差レベルの決定は、固定された相互作用アンカーを尊重しながら条件付き共設計を行う拡散に基づく別の \emph{generation expert} にハード制約として渡される。 この因子化は、人間の専門家が分子工学にどのようにアプローチするかを反映している。 Proteo-R1は、推論をテキストガイドではなく明示的な残差レベルコミットメントとして運用することにより、静的な幾何学的生成モデルによるLCM推論の安定、解釈可能、モジュール的な統合を実現する。 コード、データ、デモはhttps://smiles724.github.io/r1/で公開されている。

関連論文リスト

• Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards [3.8025175740783026]
  生成モデリングはタンパク質研究の中心的なパラダイムとなっている。 この調査は、予測モデリングから信頼性の高い機能駆動タンパク質工学への移行を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-03-27T13:02:16Z)
• OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
  大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。 我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
  論文  参考訳（メタデータ） (2026-03-16T18:29:01Z)
• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• Swarms of Large Language Model Agents for Protein Sequence Design with Experimental Validation [0.9332987715848714]
  大規模言語モデル(LLM)エージェントは並列に動作し、それぞれ特定の残基位置に割り当てられる。 この位置的、非集中的な調整は、多様で明確に定義されたシーケンスの創発的設計を可能にする。 提案手法は,数時間以内に効率よく客観的な設計を実現し,微調整や特殊訓練を行なわずに完全に動作させる。
  論文  参考訳（メタデータ） (2025-11-27T10:42:52Z)
• Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
  マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。 MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。 実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T10:59:23Z)

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。