論文の概要: Co-folding model guided by structural proteomics
- arxiv url: http://arxiv.org/abs/2605.26192v1
- Date: Mon, 25 May 2026 14:54:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.283119
- Title: Co-folding model guided by structural proteomics
- Title（参考訳）: 構造プロテオミクスによるコフォールディングモデル
- Authors: Alon Shtrikman, Nitzan Simchi, Michal Ran Shchory, Sagie Brodsky, Eran Seger, Kirill Pevzner,
- Abstract要約: AIMS-Foldは、タンパク質構造生成モデルのための推論時誘導拡散フレームワークである。
XL-MS空間拘束とHDX-MS溶媒アクセシビリティプロファイルから導かれる物理的ポテンシャルの微分による生成的サンプリング軌道の導出を行う。
これにより、構造に基づく薬物設計のための強力で統合的な計算手法として、我々の枠組みが確立される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Protein structure generative models excel at predicting single protein static structures from sequence, but routinely fail to capture the correct conformational state of protein complexes, critical for protein design and induced proximity modalities such as antibodies and PROTACs. While structural proteomics techniques like Cross-Linking Mass Spectrometry (XL-MS) and Hydrogen-Deuterium Exchange (HDX-MS) offer valuable spatial and dynamic insights, integrating these sparse, heterogeneous measurements into these models remains an open challenge. Here, we bridge this gap by combining structural proteomics data with the rich biophysical priors learned by pretrained diffusion models. We introduce AIMS-Fold, an inference-time guided-diffusion framework that actively steers the generative sampling trajectory using differentiable physical potentials derived from XL-MS spatial restraints and HDX-MS solvent accessibility profiles. We demonstrate that these structural methods individually enhance predictive accuracy, and their integration yields synergistic improvement. Crucially, by leveraging these experimental restraints, AIMS-Fold achieves higher accuracy on challenging induced proximity targets than purely computational, unguided state-of-the-art models like Boltz-2. This establishes our framework as a powerful, integrative computational approach for the structure based drug design of induced proximity drugs. Evaluation code will be made publicly available upon publication.
- Abstract（参考訳）: タンパク質構造生成モデルは、配列から単一タンパク質の静的構造を予測するのに優れるが、タンパク質複合体の正しいコンフォメーション状態の取得に通常失敗し、タンパク質設計や抗体やPTACのような誘導された近接モーダルに必須である。
クロスリンク質量分析法(XL-MS)や水素-重水素交換法(HDX-MS)のような構造プロテオミクス技術は、空間的および動的に貴重な洞察を提供するが、これらのスパースな不均一な測定をこれらのモデルに統合することはオープンな課題である。
ここではこのギャップを、構造的プロテオミクスデータと、事前訓練された拡散モデルによって学習された豊かな生物物理学的先行データを組み合わせることで埋める。
我々は,XL-MS空間拘束とHDX-MS溶媒アクセシビリティプロファイルから導出した物理ポテンシャルを用いて,生成的サンプリング軌道を積極的に制御する推論時間誘導拡散フレームワークであるAIMS-Foldを紹介する。
これらの構造的手法は予測精度を個別に向上させ,その統合により相乗効果が向上することを示した。
重要なことに、これらの実験的な制約を利用することで、AIMS-Foldは、ボルツ-2のような純粋に計算された非誘導的最先端モデルよりも、挑戦的な誘導的近接目標に対して高い精度を達成する。
これにより、本フレームワークは、誘導近接薬物の構造に基づく薬物設計のための強力で統合的な計算手法として確立される。
評価コードは公開時に公開されます。
関連論文リスト
- Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。
Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。
また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
論文 参考訳（メタデータ） (2026-03-30T01:54:03Z) - 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) - SaDiT: Efficient Protein Backbone Design via Latent Structural Tokenization and Diffusion Transformers [50.18388227899971]
本稿では,SaProt TokenizationとDiffusion Transformer (DiT)アーキテクチャを統合することで,タンパク質のバックボーン生成を促進する新しいフレームワークであるSaDiTを提案する。
実験により、SaDiTはRFDiffusionやProteinaといった最先端モデルよりも計算速度と構造的生存性が優れていることが示された。
論文 参考訳（メタデータ） (2026-02-06T13:50:13Z) - Controllable protein design through Feynman-Kac steering [5.477297165738714]
推論時間制御手法であるFeynman-Kac steering frameworkを拡散型タンパク質設計に拡張する。
この研究は、推論時FK制御が拡散に基づくタンパク質設計を任意の、微分不可能で、報酬に依存しない目的に一般化することを実証している。
論文 参考訳（メタデータ） (2025-11-12T11:23:44Z) - Conformation-Aware Structure Prediction of Antigen-Recognizing Immune Proteins [4.747546562792329]
パン免疫グロブリン構造予測モデルであるIbexを紹介する。
抗体、ナノ抗体、T細胞受容体の可変ドメインをモデル化する際の最先端の精度を達成する。
論文 参考訳（メタデータ） (2025-07-11T22:09:03Z) - 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) - AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。
我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。
次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
論文 参考訳（メタデータ） (2024-04-02T14:44:02Z) - 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。