Fugu-MT 論文翻訳(概要): A-CODE: Fully Atomic Protein Co-Design with Unified Multimodal Diffusion

論文の概要: A-CODE: Fully Atomic Protein Co-Design with Unified Multimodal Diffusion

arxiv url: http://arxiv.org/abs/2605.03360v1
Date: Tue, 05 May 2026 04:41:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-06 19:35:43.769318
Title: A-CODE: Fully Atomic Protein Co-Design with Unified Multimodal Diffusion
Title（参考訳）: A-CODE: 統一多モード拡散による完全原子タンパク質共設計
Abstract要約: A-CODEは、完全に原子化された1段階のタンパク質共設計モデルである。離散原子型と連続原子座標を同時に洗練する。 A-CODEは無条件タンパク質生成のための優れた設計性を実現する。
参考スコア（独自算出の注目度）: 31.733226581281006
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We present A-CODE, a fully atomic unified one-stage protein co-design model that simultaneously refines discrete atom types and continuous atom coordinates. Unlike predominant two-stage methods that cascade structure design with amino acid-level sequence design, our approach is fully atomic within a unified multimodal diffusion framework, in which residue identities are inferred solely from atom-level predictions. Built upon the powerful all-atom architecture, A-CODE achieves superior designability for unconditional protein generation, outperforming all existing one-stage and two-stage design models. For binder design, A-CODE rivals and even outperforms existing state-of-the-art two-stage design models and, compared with the existing one-stage co-design model, achieves a drastic tenfold improvement in success rate on hard tasks. The inherent flexibility of our atomic formulation enables, for the first time, seamless adaptation to non-canonical amino acid (ncAA) modeling. Our fully atomic framework establishes a new, versatile foundation for all-atom generative modeling that can be naturally extended to complex biomolecular systems.
Abstract（参考訳）: A-CODE(A-CODE)は、独立原子型と連続原子座標を同時に洗練する完全原子統一一段階タンパク質共設計モデルである。アミノ酸レベルの配列設計でカスケード構造を設計する主な2段階法とは異なり,本手法は原子レベルの予測のみから残基の同定を行う統一多モード拡散フレームワークにおいて完全に原子性である。強力な全原子アーキテクチャを基盤として、A-CODEは無条件タンパク質生成の優れた設計性を実現し、既存の1段階および2段階の設計モデルよりも優れている。バインダー設計では、A-CODEは既存の最先端の2段階設計モデルよりも優れており、既存の1段階の共同設計モデルと比較して、ハードタスクの成功率が大幅に10倍改善されている。我々の原子定式化の固有の柔軟性は、初めて非カノニカルアミノ酸(ncAA)モデリングへのシームレスな適応を可能にします。我々の完全に原子の枠組みは、複雑な生体分子システムに自然に拡張できる全原子生成モデリングのための、新しい汎用的な基盤を確立する。

関連論文リスト

SimpleDesign: A Joint Model for Protein Sequence and Structure Codesign [53.93453139057735]
データ空間で直接訓練された効果的なマルチモーダルタンパク質設計モデルであるSimpleDesignを提案する。 2M以上のシーケンス構造ペア上でSimpleDesignをトレーニングし、共設計および非条件シーケンス/構造生成ベンチマーク間で強力なパフォーマンスを実現する。
論文参考訳（メタデータ） (2026-09-03T05:25:05Z)
Chamaileon: Cross-Context Binder Design with Contextualized Modeling and Mixed Sampling [19.701450236748254]
本稿では,マルチターゲットとマルチステートバインダの設計を統合するChamaileonを紹介し,その問題をコンテキスト間バインディングランドスケープモデリングとして定式化する。このフレームワークは、In-Context Complex Co-Design(I3CD)と呼ばれるトレーニングパラダイムによって基盤付けられている。
論文参考訳（メタデータ） (2026-07-26T07:35:10Z)
La-Proteina: Atomistic Protein Generation via Partially Latent Flow Matching [36.32031583420137]
本稿では,新しい部分潜伏タンパク質表現に基づく原子性タンパク質設計のためのLa-Proteinaを紹介する。 La-Proteinaは、全原子共設計可能性、多様性、構造的妥当性を含む、複数の世代ベンチマークで最先端のパフォーマンスを達成する。 La-Proteinaは800個の残基の共設計可能なタンパク質を生成できる。
論文参考訳（メタデータ） (2025-07-13T03:01:50Z)
A Model-Centric Review of Deep Learning for Protein Design [0.0]
ディープラーニングはタンパク質設計を変換し、正確な構造予測、シーケンス最適化、de novoタンパク質生成を可能にした。 ProtGPT2、ProteinMPNN、RFdiffusionなどの生成モデルは、自然進化に基づく制限を超えてシーケンスとバックボーンの設計を可能にした。最近では、ESM3を含む共同シーケンス構造共設計モデルが両方のモダリティを統一されたフレームワークに統合し、設計性が向上した。
論文参考訳（メタデータ） (2025-02-26T14:31:21Z)
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)
Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
論文参考訳（メタデータ） (2024-05-30T17:53:50Z)
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)
Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
抗体の特異性は、その相補性決定領域(CDR)によって決定される従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
論文参考訳（メタデータ） (2023-04-21T13:24:26Z)

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。