論文の概要: DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics

• arxiv url: http://arxiv.org/abs/2606.11651v1
• Date: Wed, 10 Jun 2026 04:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.293717
• Title: DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics
• Title（参考訳）: DeepRHP:タンパク質マイクロとしてランダムなヘテロポリマーを設計するためのハイブリッド変分オートエンコーダ
• Authors: Shuni Li, Zhiyuan Ruan, Andy Shen, Ivan Jayapurna, Ting Xu, Haiyan Huang,
• Abstract要約: 半教師付きフレームワークの下で,変分オートエンコーダ (VAE) モデルを構築した。 ディープRHPは潜伏空間に重要な化学的特徴と個々の配列パターンを捉えるよう強制する。 膜タンパク質を安定化させる潜在的組成を提案することにより,DeepRHPの有効性を示す。
• 参考スコア（独自算出の注目度）: 2.0887455175145515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic random heteropolymers (RHPs), consisting of a predefined set of monomers, offer an approach toward the design of protein-like materials. These RHPs, if designed appropriately, can mimic protein behavior and function. As such, there is a need for computational tools to efficiently guide RHP design. We bridge this gap by developing DeepRHP, a modified variational autoencoder (VAE) model under a semi-supervised framework. By equipping a classical VAE with an additional feature-based VAE, DeepRHP forces the latent space to capture structures of critical chemical features as well as individual RHP sequence patterns. In this sense, our method is versatile by allowing any relevant features to be incorporated in a hybrid manner. We demonstrate the effectiveness of DeepRHP by suggesting potential monomer compositions that stabilize membrane proteins (e.g. Aquaporin Z) in non-native environments and cross-validating our prediction with published results. The concordance between our model and true RHP function suggests strong potential in utilizing hybrid autoencoder architectures to guide RHP design for proteins and other biological compounds.
• Abstract（参考訳）: 予め定義されたモノマーからなる合成ランダムなヘテロポリマー(RHP)は、タンパク質のような材料の設計へのアプローチを提供する。 これらのRHPは、適切に設計すれば、タンパク質の挙動と機能を模倣することができる。 したがって、RHP設計を効率的に導くための計算ツールが必要である。 このギャップを半教師付きフレームワークの下で修正変分オートエンコーダ(VAE)モデルであるDeepRHPで埋める。 古典的なVAEに付加的な機能ベースのVAEを装備することで、DeepRHPは潜伏空間に重要な化学的特徴と個々のRHP配列パターンを捕捉させる。 この意味で,本手法は,任意の特徴をハイブリッドな方法で組み込むことによって,汎用性を実現している。 我々は,非ネイティブ環境下で膜タンパク質(例えばアクアポリンZ)を安定化し,我々の予測を公表された結果と交差するモノマー組成を提案することにより,DeepRHPの有効性を実証した。 我々のモデルと真のRHP関数との一致は、タンパク質や他の生物学的化合物のRHP設計を導くためにハイブリッドオートエンコーダアーキテクチャを利用する強力な可能性を示している。

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)
• 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)
• Self Distillation Fine-Tuning of Protein Language Models Improves Versatility in Protein Design [61.2846583160056]
  Supervised Fine-tuning (SFT) は、大規模言語モデルを特殊なドメインに適応するための標準的なアプローチである。 これは、高品質なアノテートされたデータは、自然言語よりもタンパク質の入手がはるかに難しいためである。 生成したタンパク質配列の忠実度,信頼性,新規性を改善するために設計された,PLMの高速SFTのための簡易かつ汎用的なレシピを提案する。
  論文  参考訳（メタデータ） (2025-12-10T05:34:47Z)
• ProteinAE: Protein Diffusion Autoencoders for Structure Encoding [64.77182442408254]
  本稿では,新規かつ合理化されたタンパク質拡散オートエンコーダであるProteinAEを紹介する。 プロテインAEは、タンパク質のバックボーン座標を直接E(3)から連続的でコンパクトな潜在空間にマッピングする。 本研究では,既存のオートエンコーダよりも優れた,最先端の再構築品質を実現することを実証する。
  論文  参考訳（メタデータ） (2025-10-12T14:30:32Z)
• Diffusion on language model encodings for protein sequence generation [0.5088559194265662]
  DiMAは、タンパク質言語モデル表現で動作する潜伏拡散フレームワークである。 新規で高品質で多様なタンパク質配列を生産する。 これは、タンパク質ファミリーの生成、モチーフの足場と埋め込み、折りたたみ特異的な配列設計を含む条件付き生成タスクをサポートする。
  論文  参考訳（メタデータ） (2024-03-06T14:15:20Z)
• AlphaFold Meets Flow Matching for Generating Protein Ensembles [11.1639408863378]
  本研究では,タンパク質のコンフォメーション・ランドスケープを学習・サンプリングするためのフローベース生成モデリング手法を開発した。 提案手法はAlphaFoldとMSAサブサンプリングと比較して精度と多様性の組合せが優れている。 本手法は,MD軌道の再現よりも高速な壁面収束により,静的なPDB構造を多様化することができる。
  論文  参考訳（メタデータ） (2024-02-07T13:44:47Z)
• Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning [2.01243755755303]
  ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。 これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
  論文  参考訳（メタデータ） (2023-08-02T12:08:17Z)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• 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)
• Particle Swarm Based Hyper-Parameter Optimization for Machine Learned Interatomic Potentials [0.0]
  機械学習(ML)アプローチを用いた非経験的原子間電位エネルギー表面(PES)のトレーニングは、分子および材料研究で人気が高まっています。 本稿では,まず特徴抽出段階に関連するhpsを最適化し,次いで訓練段階におけるhpsの最適化を行う2段階最適化戦略を提案する。 この戦略は、訓練が必要なモデルの数を著しく削減することで、全てのHPを同時に最適化するよりも計算効率が良い。
  論文  参考訳（メタデータ） (2020-12-31T19:27:17Z)

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。