論文の概要: ProHiFlo: Hierarchical Flow Matching with Functional Guidance for De Novo Protein Generation

• arxiv url: http://arxiv.org/abs/2606.11243v1
• Date: Wed, 03 Jun 2026 09:11:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.075216
• Title: ProHiFlo: Hierarchical Flow Matching with Functional Guidance for De Novo Protein Generation
• Title（参考訳）: ProHiFlo: De Novoタンパク質生成のための階層型フローマッチングと機能ガイダンス
• Authors: Chuanzhen Wang, Meade Cleti, Pete Jano,
• Abstract要約: ProHiFloは階層的なフローマッチングフレームワークで、3つのイノベーションがある。 全原子座標に精製する前にバックボーンの幾何をモデル化する粗大で微細な生成。 事前訓練された予測子を活用して、再訓練せずに所望の特性を操る機能ガイダンス。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: De novo protein generation has transformative potential in therapeutic design, enzyme engineering, and synthetic biology. While diffusion-based and flow matching approaches have achieved progress, they typically operate at single resolution and lack mechanisms for incorporating functional constraints. We introduce ProHiFlo, a hierarchical flow matching framework with three innovations: (1) coarse-to-fine generation that models backbone geometry before refining to all-atom coordinates, reducing computational cost while maintaining accuracy; (2) functional guidance leveraging pretrained predictors to steer generation toward desired properties without retraining; (3) adaptive SE(3)-equivariant architecture for efficient multi-scale processing. Experiments on unconditional generation, motif scaffolding, and functional design demonstrate state-ofthe-art performance while requiring 4 fewer sampling steps. On enzyme active site scaffolding, ProHiFlo achieves 58.9% success rate compared to 41.2% for RFDiffusion.
• Abstract（参考訳）: デノボタンパク質生成は、治療設計、酵素工学、合成生物学において形質転換の可能性を秘めている。 拡散ベースとフローマッチングのアプローチは進歩してきたが、通常は単一解像度で動作し、機能的制約を組み込むメカニズムが欠如している。 本稿では,(1)全原子座標に精製する前にバックボーン形状をモデル化し,精度を保ちながら計算コストを削減した粗大な粒度生成,(2)事前学習した予測器を学習せずに所望の特性に向けて操る機能ガイダンス,(3)効率の良いマルチスケール処理のための適応SE(3)-equivariantアーキテクチャ,の3つの革新を取り入れた階層型フローマッチングフレームワークProHiFloを紹介する。 非条件生成、モチーフスキャフォールディング、機能設計の実験は、4つのサンプリングステップを減らしながら最先端の性能を示す。 酵素活性部位の足場において、ProHiFloは、RF拡散の41.2%と比べて58.9%の成功率を達成した。

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)
• Fast & Efficient Normalizing Flows and Applications of Image Generative Models [0.0]
  理論は、生成モデルの効率を向上すること、特にフローの正規化、および現実のコンピュータビジョンの課題を解決するために生成モデルを適用することである。 第1部では,6つの重要なイノベーションを通じて,フローアーキテクチャの正規化に関する大幅な改善が紹介されている。 1) 数学的に証明された必要条件と可逆性のための十分な条件を備えた3x3畳み込み層の開発,2) より効率的な擬似結合層の導入,3) kxk畳み込み層のための高速かつ効率的な並列反転アルゴリズムの設計,4) 畳み込み逆転用高速かつ効率的な逆プロパゲーションアルゴリズム,5) 逆畳み込みの逆利用
  論文  参考訳（メタデータ） (2025-12-03T18:29:03Z)
• Enhancing Reinforcement learning in 3-Dimensional Hydrophobic-Polar Protein Folding Model with Attention-based layers [0.0]
  我々は,3次元H-Pタンパク質の折り畳み問題に対処するため,注意機構(トランスフォーマー)と統合されたディープQ-Network(DQN)を適用した。 本システムは,強化環境下での自己回避歩行として折り畳み決定を定式化し,好適な疎水性相互作用に基づく特別報酬関数を用いる。
  論文  参考訳（メタデータ） (2025-04-22T06:53:36Z)
• 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)
• ReQFlow: Rectified Quaternion Flow for Efficient and High-Quality Protein Backbone Generation [24.13216117355207]
  高速かつ高品質なタンパク質のバックボーン生成のための新しい補正四元流(ReQFlow)マッチング法を提案する。 本手法は,タンパク質鎖の各残基に対するランダムノイズから局所翻訳と3次元回転を生成する。 数値安定性を保証した四元数フロー(QFlow)を用いてモデルをトレーニングし、推論を高速化し、生成したタンパク質のバックボーンの設計性を向上させるためにQFlowモデルを修正する。
  論文  参考訳（メタデータ） (2025-02-20T15:20:37Z)
• Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
  タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。 我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。 我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
  論文  参考訳（メタデータ） (2024-05-30T17:53:50Z)

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。