論文の概要: AlloGen: Conformation-Selective Binder Generation with Differential State Scoring

• arxiv url: http://arxiv.org/abs/2606.05474v1
• Date: Wed, 03 Jun 2026 21:53:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-06 06:55:34.614379
• Title: AlloGen: Conformation-Selective Binder Generation with Differential State Scoring
• Title（参考訳）: AlloGen: コンフォーメーション選択型バインダー生成
• Authors: Hanqun Cao, Zachary Quinn, Aastha Pal, Sumi Kimura, Jingjie Zhang, Pheng Ann Heng, Pranam Chatterjee,
• Abstract要約: 学習した状態選択性スコアラからバックボーン生成を分離するフレームワークであるAlloGenを紹介します。 AlloGenは、代替コンフォメーションを拒絶しながら、望ましい構造状態を優先的に認識するバインダーを一貫して識別する。 その結果、コンフォメーション選択性は学習可能な性質として確立され、状態選択型タンパク質結合体設計のための一般的な枠組みを提供する。
• 参考スコア（独自算出の注目度）: 37.98539530849462
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Protein binder design has largely optimized for affinity alone, leaving conformational selectivity unaddressed: for allosteric targets such as kinases, nuclear receptors, and GPCRs, a binder that engages both active and inactive states provides no functional specificity regardless of how tightly it binds. We introduce AlloGen, a modular framework that decouples backbone generation from a learned state-selectivity scorer $Q_θ$, an SE(3)-invariant interface graph transformer trained via a two-phase curriculum that first learns interface geometry before imposing conformational discrimination. Because $Q_θ$ is fully differentiable and generator-agnostic, it integrates with any backbone generator as a passive reranker or an active gradient-based guide without retraining. Across a diverse benchmark of proteins spanning multiple families and conformational mechanisms, AlloGen consistently identifies binders that preferentially recognize desired structural states while rejecting alternative conformations. Experimental validation on calmodulin further demonstrates that these computational selectivity signals translate to physical molecules, yielding de novo peptides that bind the desired holo conformation while exhibiting no detectable binding to the apo state. Together, these results establish conformational selectivity as a learnable property and provide a general framework for state-selective protein binder design.
• Abstract（参考訳）: タンパク質バインダーの設計は親和性だけに最適化されており、コンフォメーションの選択性は未調整のままである:キナーゼ、核受容体、GPCRのようなアロステリックな標的に対して、活性状態と不活性状態の両方に作用するバインダーは、結合の密接度に関わらず機能的特異性を提供しない。 本稿では,学習した状態選択性スコアラである$Q_θ$からバックボーン生成を分離するモジュールフレームワークであるAlloGenを紹介する。 Q_θ$は完全に微分可能でジェネレータに依存しないため、任意のバックボーンジェネレータを受動的リランカまたはアクティブな勾配ベースのガイドとして再トレーニングなしで統合する。 複数のファミリーとコンフォメーション機構にまたがる多種多様なタンパク質のベンチマークの中で、AlloGenは、オルタナティブコンフォメーションを拒絶しながら、望ましい構造状態を優先的に認識するバインダーを一貫して特定している。 カルモデュリンに対する実験的検証により、これらの計算選択性シグナルが物理分子に変換され、望まれるホロコンホメーションを結合するデノボペプチドがアポ状態に結合することができないことが示されている。 これらの結果は、学習可能な特性としてコンフォメーション選択性を確立し、状態選択型タンパク質結合体設計のための一般的な枠組みを提供する。

関連論文リスト

• TD3B: Transition-Directed Discrete Diffusion for Allosteric Binder Generation [41.31786592695572]
  本稿では,アロステリック・バインダー設計のためのトランジッション指向離散拡散(Transition-Directed Discrete Diffusion for Allosteric Binder Design, TD3B)を提案する。 TD3Bは、ターゲット認識方向、ソフトバインディング親和性ゲート、および事前訓練された離散拡散モデルの微調整を組み合わせることで、アゴニスト生成を結合親和性から分離し、平衡ベースまたは推論のみのガイダンスベースラインで達成できないようにする。
  論文  参考訳（メタデータ） (2026-05-10T23:17:06Z)
• 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)
• Classifying Metamorphic versus Single-Fold Proteins with Statistical Learning and AlphaFold2 [1.5905165019585945]
  複数の異なるコンフォメーションを採用できるメタモルフィックタンパク質は、AlphaFold2によって適切にモデル化できないコンフォメーション多様性を有する。 コンフォメーションアンサンブルを生成するためにAlphaFold2を再購入することで,新しい分類フレームワークを開発する。 既知の変成タンパク質と1つの折りたたみタンパク質のベンチマークデータセットに基づいて訓練されたランダム森林分類器は、クロスバリデーションで0.869の平均AUCを達成する。
  論文  参考訳（メタデータ） (2025-12-10T20:37:21Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• FlexVDW: A machine learning approach to account for protein flexibility in ligand docking [4.511923587827301]
  深層学習モデルは、ファンデルワールスエネルギーを予測する際に、受容体の柔軟性を暗黙的に考慮するよう訓練された。 この機械学習エネルギー項を最先端の物理に基づくスコアリング関数に組み込むことで、小さな分子リガンドが予測結果を改善できることが示される。
  論文  参考訳（メタデータ） (2023-03-20T23:19:05Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)

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。