論文の概要: Protein Thoughts: Interpretable Reasoning with Tree of Thoughts and Embedding-Space Flow Matching for Protein-Protein Interaction Discovery

• arxiv url: http://arxiv.org/abs/2605.21522v1
• Date: Tue, 19 May 2026 04:14:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.925487
• Title: Protein Thoughts: Interpretable Reasoning with Tree of Thoughts and Embedding-Space Flow Matching for Protein-Protein Interaction Discovery
• Title（参考訳）: タンパク質思考:タンパク質-タンパク質相互作用発見のための思考木と埋め込み空間フローマッチングの解釈可能な推論
• Authors: Kingsley Yeon, Xuefeng Liu, Promit Ghosal,
• Abstract要約: 我々は、明示的な推論を伴う解釈可能な探索問題として、PPI発見を再構成するフレームワークである textbfProtein Thoughts を提案する。 タンパク質思考は、エントロピー木探索ベースラインにおいて平均11.2対47.7の平均的バインダーランクを達成し、76%の改善、および結合予測のために、訓練された値関数は91.08 pm 0.19$ Micro-F1に達する。
• 参考スコア（独自算出の注目度）: 9.70057752523548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein-protein interactions (PPIs) govern nearly all cellular processes, yet computational methods for identifying binding partners typically produce ranked predictions without mechanistic justification. This creates a fundamental barrier to adoption because biologists cannot assess whether predictions reflect genuine biochemical insight or spurious correlations. We present \textbf{Protein Thoughts}, a framework that reformulates PPI discovery as an interpretable search problem with explicit reasoning. The system decomposes binding evidence into four biologically meaningful signals: sequence similarity reflecting evolutionary relationships, structural complementarity capturing geometric fit, interface balance, and chemical compatibility encoding residue-level interactions. Rather than collapsing these signals into an opaque score, we preserve their individual contributions through a transparent value function that enables both ranking and auditing. To navigate large candidate spaces efficiently, we introduce hypothesis-guided entropy-regularized Tree-of-Thoughts search. A fine-tuned language model generates search directives from embedding-derived features, classifying candidates as high-priority, exploratory, or skippable. These directives condition a Boltzmann policy that balances exploitation with entropy-driven exploration, while hypothesis-aware pruning prevents premature abandonment of promising candidates. For candidates exhibiting score disagreement, hypothesis-conditioned embedding-space flow matching transports protein embeddings toward the binder manifold. On the SHS148k benchmark, Protein Thoughts achieves mean best-binder rank of 11.2 versus 47.7 for an entropic tree search baseline, a 76% improvement, and for binding prediction the trained value function achieves $91.08 \pm 0.19$ Micro-F1, outperforming existing PPI methods on the same dataset.
• Abstract（参考訳）: タンパク質とタンパク質の相互作用(PPI)は、ほとんど全ての細胞プロセスを支配するが、結合パートナーを特定する計算手法は通常、機械的正当化なしにランク付けされた予測を生成する。 生物学者は、予測が本物の生化学的洞察や刺激的な相関を反映するかどうかを判断できないため、このことが採用の根本的な障壁となる。 本稿では, PPI発見を明示的推論による解釈可能な探索問題として再定義するフレームワークである, textbf{Protein Thoughts}を提案する。 このシステムは、結合証拠を生物学的に意味のある4つの信号に分解する: 進化的関係を反映する配列類似性、幾何学的適合を捉える構造相補性、界面バランス、残基レベルの相互作用をコードする化学相補性。 これらの信号を不透明なスコアに分解するのではなく、ランキングと監査の両方を可能にする透明な値関数を通じて、個々のコントリビューションを保存する。 大規模候補空間を効率的にナビゲートするために,仮説誘導型エントロピー規則化ツリー・オブ・サーチを導入する。 微調整言語モデルは、埋め込み型特徴から検索ディレクティブを生成し、候補を高優先度、探索的、あるいはスキップ可能なものに分類する。 これらの指示は、エントロピー駆動の探索と搾取のバランスをとるボルツマンのポリシーを条件とし、仮説を意識したプルーニングは、有望な候補の早期放棄を妨げている。 スコア不一致を示す候補に対して、仮説条件の埋め込み空間フローマッチングは、タンパク質の埋め込みをバインダー多様体へ輸送する。 SHS148kベンチマークにおいて、タンパク質思考は、エントロピックツリー検索ベースラインにおいて平均11.2対47.7のベストバインダーランクを達成し、76%の改善、および結合予測のために、トレーニングされた値関数は91.08 \pm 0.19$ Micro-F1を達成し、同じデータセット上で既存のPPIメソッドより優れている。

関連論文リスト

• 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)
• Hierarchical Multi-Label Contrastive Learning for Protein-Protein Interaction Prediction Across Organisms [2.399426243085768]
  タンパク質間相互作用予測のための階層的コントラストフレームワークであるHIPPOを提案する。 提案手法は、タンパク質の機能クラス間の構造的関係をエミュレートする階層的コントラスト損失関数を含む。 ベンチマークデータセットの実験では、HIPPOが最先端のパフォーマンスを達成し、既存のメソッドを上回り、低データのレシエーションにおいて堅牢性を示すことが示されている。
  論文  参考訳（メタデータ） (2025-07-03T15:41:04Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。