論文の概要: Confidence is the key: how conformal prediction enhances the generative design of permeable peptides
- arxiv url: http://arxiv.org/abs/2605.05770v1
- Date: Thu, 07 May 2026 07:01:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.5838
- Title: Confidence is the key: how conformal prediction enhances the generative design of permeable peptides
- Title（参考訳）: 信頼は鍵:コンフォメーション予測が透過性ペプチドの生成設計をいかに促進するか
- Authors: Laura van Weesep, Sunay Chankeshwara, Leonardo De Maria, Florian David, Ola Engkvist, Gökçe Geylan,
- Abstract要約: 本稿では,不確実性を考慮した透過性予測器を用いて,透過性環状ペプチドを設計するRL誘導型生成フレームワークを提案する。
予測の不確実性,特に新規化学の影響に対処するため,不確実性定量法として共形予測(CP)を統合した。
- 参考スコア（独自算出の注目度）: 0.8149107671670839
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models coupled with reinforcement learning (RL), such as REINVENT and PepINVENT, have emerged as a powerful framework for de novo molecular design. During the ideation process these generative frameworks utilize various predictive models as part of the optimization objectives. However, the utility of the predictive models can be limited by their domain of applicability. When RL is used to explore the chemical space with predictive models, it can suggest molecules that lie outside the predictor's domain of applicability. As a result, the predictions may become less reliable, potentially steering designs into high reward but also high uncertainty chemical spaces. This is particularly pronounced for cyclic peptides which show therapeutic promise due to their modifiability and large interaction surfaces but are understudied compared to small molecules. While passive membrane permeation in cyclic peptides has attracted interest, identifying optimal permeable designs remains challenging yet crucial for targeting intracellular sites. We present an RL-guided generative framework that designs permeable cyclic peptides using an uncertainty-aware permeability predictor as the scoring component. To address predictive uncertainty, especially impacted by novel chemistry, we integrate conformal prediction (CP) as our uncertainty quantification method. CP assesses designs based on the calibrated model under a user-defined confidence level. We demonstrate that rewarding generated peptides with CP-informed predictions improves both reliability and efficiency of peptide optimization process. This also discourages exploration outside the predictor's applicability domain. This approach bridges the gap between predictive uncertainty and RL-guided exploration, showing how generative modelling and conformal prediction can be combined for the first time.
- Abstract（参考訳）: REINVENTやPepINVENTのような強化学習(RL)と組み合わせた生成モデルは、デ・ノボ分子設計の強力な枠組みとして登場した。
アイデア作成プロセスの間、これらの生成フレームワークは最適化の目的の一部として様々な予測モデルを利用する。
しかし、予測モデルの実用性は適用範囲によって制限される可能性がある。
RLが予測モデルを用いて化学空間を探索する際には、予測子の適用範囲外にある分子を示唆することができる。
その結果、予測は信頼性が低くなり、設計を高い報酬と高不確実性な化学空間に操る可能性がある。
これは特に、修飾性や大きな相互作用面による治療の約束を示す環状ペプチドに対して発音されるが、小さな分子と比較して検討されている。
環状ペプチドの受動的膜透過は注目されているが、細胞内の部位を標的にするための最適な透過性設計は依然として困難である。
本稿では,不確実性を考慮した透過性予測器を評価成分として,透過性環状ペプチドを設計するRL誘導型生成フレームワークを提案する。
予測の不確実性,特に新規化学の影響に対処するため,不確実性定量法として共形予測(CP)を統合した。
CPは、ユーザ定義の信頼性レベルの下で、キャリブレーションされたモデルに基づいて設計を評価する。
CPをインフォームドした予測で生成したペプチドに報酬を与えると、ペプチド最適化プロセスの信頼性と効率が向上することを示した。
これはまた、予測器の適用可能性領域外の探索を妨げます。
このアプローチは予測の不確実性とRL誘導探索のギャップを埋め、生成的モデリングと共形予測を初めて組み合わせることができることを示す。
関連論文リスト
- Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
天気予報は、大気のカオス的な性質によって根本的に挑戦されている。
ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。
気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
論文 参考訳（メタデータ） (2025-11-18T07:49:52Z) - Bayesian Physics Informed Neural Networks for Reliable Transformer Prognostics [1.53934570513443]
本研究では,確率論的予測のためのベイズ物理学情報ニューラルネットワーク(B-PINN)フレームワークを提案する。
この枠組みは、太陽光発電プラントからの実測値を用いて開発され、試験された有限要素モデルに対して検証される。
その結果,提案したB-PINNは,予測の不確かさを正確に定量化することにより,より信頼性の高い予測を行うことを示した。
論文 参考訳（メタデータ） (2025-09-19T12:39:15Z) - Generative Conformal Prediction with Vectorized Non-Conformity Scores [6.059745771017814]
コンフォーマル予測は、保証されたカバレッジでモデルに依存しない不確実性定量化を提供する。
ベクトル化された非整合性スコアを持つ生成共形予測フレームワークを提案する。
我々は密度ランクの不確かさ球を用いた適応不確かさ集合を構築する。
論文 参考訳（メタデータ） (2024-10-17T16:37:03Z) - Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。
最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文 参考訳（メタデータ） (2024-07-01T06:10:29Z) - LightCPPgen: An Explainable Machine Learning Pipeline for Rational Design of Cell Penetrating Peptides [0.32985979395737786]
我々は,機械学習(ML)と最適化アルゴリズムの長所を活かして,CPPのデノボ設計に革新的なアプローチを導入する。
私たちの戦略はLight CPPgenと呼ばれ、LightGBMベースの予測モデルと遺伝的アルゴリズム(GA)を統合しています。
GAソリューションは、元の非貫通ペプチドとの類似性を最大化しつつ、候補配列の透過性スコアを特にターゲットとしている。
論文 参考訳（メタデータ） (2024-05-31T10:57:25Z) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - 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) - Low cost prediction of probability distributions of molecular properties
for early virtual screening [0.8702432681310399]
本稿では, 階層的相関再構築手法を適用し, 人口統計, 財務, 天文学的データの解析に応用した。
この手法は、望まれる物理化学的/ADMET特性の可能性が低い化合物の迅速な拒絶を可能にするため、医薬化学者にとって大きな支援となる。
論文 参考訳（メタデータ） (2022-07-21T13:29:26Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Assigning Confidence to Molecular Property Prediction [1.015785232738621]
機械学習は、既存のデータセットから学び、目に見えない分子の予測を実行する強力な戦略として登場した。
薬物設計に関連する分子特性を予測するための一般的な戦略、それに対応する不確実性源および不確実性および信頼性を定量化する方法について議論する。
論文 参考訳（メタデータ） (2021-02-23T01:03:48Z)
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。