論文の概要: Structure-Guided Adaptive Propagation for Protein-Protein Interaction Site Prediction

• arxiv url: http://arxiv.org/abs/2606.01781v1
• Date: Mon, 01 Jun 2026 07:03:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.47709
• Title: Structure-Guided Adaptive Propagation for Protein-Protein Interaction Site Prediction
• Title（参考訳）: タンパク質-タンパク質相互作用部位予測のための構造誘導型適応的伝播
• Authors: Enqiang Zhu, Yizi Liu, Yilong Luo, Yao Chen, Yu Zhang, Baoshan Ma,
• Abstract要約: PPIS予測のための構造誘導適応伝搬モデルであるSGAP-PPISを提案する。 その結果,SGAP-PPIS は Test_60 上での最先端手法と競合する性能を示した。
• 参考スコア（独自算出の注目度）: 6.128739346306066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of protein-protein interaction sites (PPIS) is essential for understanding cellular processes, disease mechanisms, and therapeutic target discovery. Graph-based deep learning has advanced PPIS prediction by incorporating residue-level structural context. However, most graph-based models still rely on fixed propagation schemes that treat all residues similarly, despite the structural and functional heterogeneity of protein interfaces. Such propagation may limit the ability to adapt information diffusion to local geometric environments, making it difficult to distinguish true interaction sites from structurally similar non-interacting neighbors. We present SGAP-PPIS, a structure-guided adaptive propagation model for PPIS prediction. Rather than using a fixed propagation mechanism, SGAP-PPIS leverages multi-scale geometric states from an equivariant graph neural network to generate residue-wise propagation coefficients. This design allows each residue to adaptively balance local feature preservation and neighborhood diffusion according to its geometric microenvironment. Experimental results show that SGAP-PPIS achieves competitive performance among the state-of-the-art methods on Test\_60. Ablation studies show that geometry-conditioned adaptive propagation, scale-aligned geometric guidance, and multi-step propagation-state representation jointly drive these improvements.
• Abstract（参考訳）: タンパク質-タンパク質相互作用部位(PPIS)の正確な予測は、細胞プロセス、疾患機構、治療標的発見を理解するのに不可欠である。 グラフに基づくディープラーニングでは,残差レベルの構造的コンテキストを取り入れたPPIS予測が進んでいる。 しかしながら、ほとんどのグラフベースのモデルは、タンパク質界面の構造的および機能的不均一性にもかかわらず、すべての残基を同様に扱う固定的な伝播スキームに依存している。 このような伝播は、情報拡散を局所的な幾何学的環境に適応させる能力を制限する可能性があるため、真の相互作用部位と構造的に類似しない隣人との区別が困難になる。 PPIS予測のための構造誘導適応伝搬モデルであるSGAP-PPISを提案する。 固定伝搬機構を使用する代わりに、SGAP-PPISは同変グラフニューラルネットワークから多スケールの幾何状態を利用して残差の伝播係数を生成する。 この設計により、各残基はその幾何学的環境に応じて局所的特徴保存と近傍拡散を適応的にバランスさせることができる。 実験結果から,SGAP-PPISはTest\_60上での最先端手法と競合する性能を示した。 アブレーション研究は、幾何条件付き適応伝搬、スケール整合幾何誘導、多段階伝搬-状態表現がこれらの改善を共同で推進していることを示している。

関連論文リスト

• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• Biological Plausibility and Representational Alignment of Feedback Alignment in Convolutional Networks [0.0]
  CIFAR-10データセットと同一の畳み込みアーキテクチャに適用した改良FAと標準BPを含む5つの学習アルゴリズムを評価した。 この結果から, 修正FAアルゴリズムは, バックプロパゲーションによって生成されるものと構造的に類似した内部表現に収束することが示唆された。
  論文  参考訳（メタデータ） (2026-05-08T23:54:48Z)
• GDEGAN: Gaussian Dynamic Equivariant Graph Attention Network for Ligand Binding Site Prediction [0.038233569758620044]
  本稿では,GDEGAN (Gaussian Equivariant Graph Attention Network) を提案する。 本機構は,各層における局所変動を学習可能ヘッド温度の適応帯域パラメータとして利用することにより,各層における近傍統計を動的に計算する。 これらの進歩は、治療標的同定のための潜在的結合部位を同定することにより、タンパク質リガンドドッキングの促進に直接応用できる。
  論文  参考訳（メタデータ） (2026-03-20T10:04:10Z)
• Surface-based Molecular Design with Multi-modal Flow Matching [64.00572241268597]
  SurfFlowは、ペプチドの配列、構造、表面の包括的な共設計を可能にする、新しい表面ベースの生成アルゴリズムである。 包括的なPepMergeベンチマークで評価すると、SurfFlowはすべてのメトリクスで一貫して全原子ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-01-08T02:19:29Z)
• Edge-aware GAT-based protein binding site prediction [3.3941174310007685]
  生体分子間の結合部位のきめ細かい予測のためのエッジ対応グラフ注意ネットワーク(Edge対応GAT)モデルを提案する。 本手法は原子レベルのグラフを構築し,幾何学的記述子を含む多次元構造特徴を統合する。 本モデルでは,タンパク質結合部位予測のためのROC-AUCの0.93を達成し,いくつかの最先端手法より優れている。
  論文  参考訳（メタデータ） (2026-01-05T14:09:57Z)
• 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)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• 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。