論文の概要: SurfDesign: Effective Protein Design on Molecular Surfaces

• arxiv url: http://arxiv.org/abs/2606.07567v1
• Date: Mon, 25 May 2026 19:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.727497
• Title: SurfDesign: Effective Protein Design on Molecular Surfaces
• Title（参考訳）: SurfDesign:分子表面における効果的なタンパク質設計
• Authors: Fang Wu, Shuting Jin, Xiangru Tang, Mark Gerstein, Xiangxiang Zeng, Yejin Choi, Jure Leskovec, Jinbo Xu,
• Abstract要約: 表面条件付きタンパク質設計フレームワークであるSurfDesignを紹介する。 SurfDesignは、表面の正規、曲率、方向の幾何学を捉えるために、表面ベースの同変メッセージパッシングを使用する。 以上の結果から,SurfDesignはデノボ結合体および酵素設計ベンチマークにおいて,表面条件付きおよびバックボーンのみの手法より一貫して優れていたことが分かる。
• 参考スコア（独自算出の注目度）: 75.87423747412242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein function is largely determined by molecular surface geometry and physicochemical complementarity, yet most protein design methods condition only on backbone structure. We introduce SurfDesign, a surface-conditioned protein design framework that models molecular surfaces as continuous geometric manifolds and integrates them with pretrained protein language models. SurfDesign employs surface-based equivariant message passing to capture surface normals, curvature, and directional geometry, together with a parameter-efficient fine-tuning strategy. Focusing on functional protein design, we show that SurfDesign consistently outperforms prior surface-conditioned and backbone-only methods on de novo binder and enzyme design benchmarks. We also report strong performance on inverse-folding benchmarks as a diagnostic of structural compatibility. Our results highlight manifold-aware surface representations as a principled foundation for functional protein and enzyme design. Code is available at https://github.com/smiles724/SurfDesign.
• Abstract（参考訳）: タンパク質の機能は主に分子表面の幾何学と物理化学的相補性によって決定されるが、ほとんどのタンパク質設計法は背骨構造のみに規定されている。 分子表面を連続的な幾何学多様体としてモデル化し、事前訓練されたタンパク質言語モデルと統合する、表面条件付きタンパク質設計フレームワークであるSurfDesignを紹介する。 SurfDesignは、表面の正規性、曲率、方向の幾何学を捉えるために、パラメータ効率の良い微調整戦略とともに、表面ベースの同変メッセージパッシングを採用している。 機能的タンパク質設計に着目し,SurfDesignはデノボ結合体および酵素設計ベンチマークにおいて,表面条件付きおよびバックボーンのみの手法よりも一貫して優れていることを示す。 また,逆折り畳みベンチマークにおいて,構造整合性の診断として高い性能を報告した。 本研究は,機能タンパク質および酵素設計の基礎として,多様体を意識した表面表現を強調した。 コードはhttps://github.com/smiles724/SurfDesign.comから入手できる。

関連論文リスト

• 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)
• Multi-Scale Representation Learning for Protein Fitness Prediction [31.735234482320283]
  これまでの手法は主に、巨大でラベルなしのタンパク質配列や構造データセットに基づいて訓練された自己教師型モデルに依存してきた。 本稿では,タンパク質の機能を統合する新しいマルチモーダル表現学習フレームワークであるSequence-Structure-Surface Fitness (S3F)モデルを紹介する。 提案手法は,タンパク質言語モデルからの配列表現と,タンパク質のバックボーンと詳細な表面トポロジーをコードするGeometric Vector Perceptronネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-02T04:28:10Z)
• SurfPro: Functional Protein Design Based on Continuous Surface [14.199812995207072]
  SurfProは、所望の表面と関連する生化学的性質を与えられた機能性タンパク質を生成する新しい方法である。 標準的な逆折り畳みベンチマークCATH 4.2と2つのタンパク質設計タスクでSurfProを評価する。 我々のSurfProは、従来の最先端の逆折り畳み法を一貫して上回り、CATH 4.2で57.78%の回復率を達成した。
  論文  参考訳（メタデータ） (2024-05-07T19:09:46Z)
• Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
  マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。 MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。 実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T10:59:23Z)
• Joint Design of Protein Sequence and Structure based on Motifs [11.731131799546489]
  タンパク質のバックボーン構造と配列を共同で設計するGeoProを提案する。 GeoProは3次元(3D)バックボーン構造のための同変エンコーダと3次元幾何学でガイドされるタンパク質配列デコーダによって駆動される。 本手法はタンパク質データバンク(PDB)やUniProtに存在しない新規な$beta$-lactamasesおよびミオグロビンを発見する。
  論文  参考訳（メタデータ） (2023-10-04T03:07:03Z)
• EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction [49.674494450107005]
  標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。 本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。
  論文  参考訳（メタデータ） (2023-02-23T17:18:26Z)
• Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
  我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。 本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。 我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
  論文  参考訳（メタデータ） (2021-11-15T18:46:37Z)
• G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
  本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。 本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:52:48Z)

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。