論文の概要: Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.04021v1
• Date: Mon, 01 Jun 2026 09:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.240613
• Title: Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたタンパク質分解能の構造認識予測
• Authors: Bryan Cheng, Austin Jin,
• Abstract要約: 本稿では,タンパク質構造とE3リガーゼの同一性のみからproTACを介する分解性を予測するグラフニューラルネットワークであるDegradoMapを提案する。 このモデルは、タンパク質ごとの正規化を伴うリジン重み付きグラフプールを通じて、生物物理学上の先行情報を符号化する。 CRBN->VHL E3-unseenTransferでは0.646+-0.124AUROC、0.811AUROCを達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proteolysis-targeting chimeras (PROTACs) can selectively degrade disease-causing proteins, yet predicting which targets are amenable to degradation remains a critical bottleneck: existing computational methods require the complete PROTAC molecular structure, information unavailable before synthesis. We present DegradoMap, a graph neural network that predicts PROTAC-mediated degradability from protein structure and E3 ligase identity alone -- the minimal information available at the target selection stage. The model encodes biophysical priors through lysine-weighted graph pooling with per-protein normalization, models protein-E3 compatibility via cross-attention, and integrates cellular context from the Cancer Dependency Map. On the PROTAC-8K benchmark (3,101 samples, 155 targets, 10 E3 ligases), DegradoMap achieves 0.646+-0.124 AUROC on target-unseen evaluation (best seed: 0.7449) and 0.811 AUROC on CRBN->VHL E3-unseen transfer, outperforming GNN and machine learning baselines. The model additionally recommends optimal E3 ligases with 74% Hit@3 accuracy. Two findings carry broader implications: E(3)-equivariant architectures underperform the simpler invariant design for this scalar prediction task, and ESM-2 embeddings improve peak performance only with careful regularization -- naive integration fails. DegradoMap provides pre-synthesis computational guidance for degradability assessment; its well-calibrated confidence scores (ECE = 0.029, target-unseen) enable practitioners to prioritize high-confidence predictions for experimental follow-up. However, the high seed variance (std = 0.124) and limited E3 coverage require ensembling for reliable deployment.
• Abstract（参考訳）: Proteolysis-targeting chimeras (PROTACs) は病原性タンパク質を選択的に分解することができるが、どの標的が分解しやすいかを予測することは重要なボトルネックである。 本稿では,タンパク質構造とE3リガーゼの同一性のみからPROTACを介する分解性を予測するグラフニューラルネットワークであるDegradoMapについて紹介する。 このモデルは、リジン重み付きグラフプールとタンパク質ごとの正規化、クロスアテンションによるタンパク質-E3の互換性をモデル化し、がん依存マップからの細胞コンテキストを統合する。 PROTAC-8K ベンチマーク (3,101 サンプル,155 ターゲット,10 E3 リガーゼ) において,DegradoMap はターゲット未確認評価 (ベストシード: 0.7449) で 0.646+-0.124 AUROC を達成し,CRBN->VHL E3-unseen 転送では 0.811 AUROC を達成した。 さらにモデルでは、74%のHit@3精度で最適なE3リガーゼを推奨している。 E(3)-同変アーキテクチャは、このスカラー予測タスクの単純な不変設計を過小評価し、ESM-2埋め込みは、注意深い正規化でのみピークパフォーマンスを改善する。 信頼性スコア(ECE = 0.029, target-unseen)は、実践者が実験的なフォローアップのために高信頼の予測を優先順位付けすることができる。 しかし、高い種子分散(std = 0.124)と限られたE3カバレッジは、信頼性の高いデプロイメントのためにセンブルを必要とする。

関連論文リスト

• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• 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)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
  タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。 パールはタンパク質-リガンド結合における新しい最先端性能を確立している。 Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:36:51Z)
• 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)
• SE(3)-Equivariant Ternary Complex Prediction Towards Target Protein Degradation [28.648225112411637]
  小さな分子によって誘導される標的タンパク質分解(TPD)は、薬物発見において急速に進化するモダリティとして現れている。 DeepTernaryは、第三次構造を直接エンドツーエンドで予測する、新しいディープラーニングベースのアプローチである。
  論文  参考訳（メタデータ） (2025-02-26T06:33:24Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)

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。