論文の概要: APCyc: Property-Informed Design of Cyclic Peptides via Automated Cyclization

• arxiv url: http://arxiv.org/abs/2606.12991v1
• Date: Thu, 11 Jun 2026 07:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.641462
• Title: APCyc: Property-Informed Design of Cyclic Peptides via Automated Cyclization
• Title（参考訳）: APCyc: 自動サイクル化による環状ペプチドの物性インフォームド設計
• Abstract要約: APCycは, 環化を明示的にモデル化した標的認識型環状ペプチド生成フレームワークである。 我々は,APCycが目標依存のサイクル選択を学習し,効果的かつ制御可能なマルチプロパティ最適化を可能にすることを示す。
• 参考スコア（独自算出の注目度）: 20.344878555028227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cyclic peptides represent a promising class of therapeutic compounds in modern drug discovery, often offering improved stability and binding affinity. However, the de novo design of cyclic peptides remains challenging because methods must identify pocket-adaptive cyclization patterns and linkage sites while simultaneously controlling drug-relevant properties. This challenge is particularly pronounced for recent generative models trained predominantly on linear peptide data, which may fail to capture cyclization-specific constraints. To address the limitation, we introduce APCyc, a target-aware de novo cyclic peptide generation framework that explicitly models cyclization and jointly optimizes multiple essential physicochemical properties. By using an expanded residue vocabulary and explicitly encoding cyclization-site and linkage-type information, APCyc learns cyclization-aware representations and leverages Bayesian posterior guidance to steer sampling toward cyclic peptides satisfying multiple property objectives. Experimental results demonstrate that our model learns target-dependent cyclization preferences, and enables effective and controllable multi-property optimization for cyclic peptide design. The source code of this paper is available at https://github.com/HKUSTGZ-ML4Health-Lab/APCyc.
• Abstract（参考訳）: サイクリックペプチドは、現代の薬物発見において有望な種類の化合物であり、しばしば安定性と結合親和性を改善している。 しかし, 環状ペプチドのデノボ設計は, 薬物関連特性を同時に制御しながら, ポケット適応型環化パターンとリンケージ部位を同定しなければならないため, 依然として困難である。 この課題は、リニアペプチドデータに基づいて主に訓練された最近の生成モデルにおいて特に顕著であり、環化特異的な制約を捉えることに失敗する可能性がある。 この制限に対処するために、APCycは、環化を明示的にモデル化し、複数の必須物理化学的性質を共同で最適化するターゲット認識型環状ペプチド生成フレームワークである。 拡張された残基語彙を用いて環化部位および連鎖型情報を明示的に符号化することにより、APCycは環化認識表現を学習し、ベイジアン後続誘導を利用して、複数の特性目的を満たす環状ペプチドに向かってサンプリングを行う。 実験結果から,本モデルは目標依存型環化選好を学習し,循環ペプチド設計のための効果的かつ制御可能な多目的最適化を可能にすることが示された。 本論文のソースコードはhttps://github.com/HKUSTGZ-ML4Health-Lab/APCycで公開されている。

関連論文リスト

• MacroGuide: Topological Guidance for Macrocycle Generation [108.89659074751523]
  マクロガイド: マクロサイクル生成のためのトポロジカルガイダンスを紹介する。 マクロサイクルの生成に向けて、事前訓練された分子生成モデルのサンプリングを行う。 経験的に、事前訓練された拡散モデルにマクロモードを適用すると、マクロサイクルの生成率は1%から99%に増加する。
  論文  参考訳（メタデータ） (2026-02-16T18:00:53Z)
• MuCO: Generative Peptide Cyclization Empowered by Multi-stage Conformation Optimization [30.75292632688159]
  本稿では, 対応するリニアペプチドに条件付き環状ペプチド配座の分布をモデル化した生成ペプチド環化法を提案する。 MuCOはペプチド環化タスクを、トポロジーを意識したバックボーン設計、生成側鎖パッキング、物理を意識した全原子最適化の3段階に分解する。 大規模CPSeaデータセットの実験により、MuCOは物理的安定性、構造的多様性、二次構造回復、計算効率において、最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-01-30T10:02:15Z)
• PepThink-R1: LLM for Interpretable Cyclic Peptide Optimization with CoT SFT and Reinforcement Learning [5.484132643431736]
  PepThink-R1は、大規模言語モデルとチェーン・オブ・ファインタニングと強化学習を統合した生成フレームワークである。 我々は,PepThink-R1が脂質分解能,安定性,暴露性を著しく増強した環状ペプチドを産生することを示した。
  論文  参考訳（メタデータ） (2025-08-20T15:13:52Z)
• Zero-Shot Cyclic Peptide Design via Composable Geometric Constraints [65.77915791312634]
  ゼロショットサイクリックペプチド生成を可能にする新しい生成フレームワークであるCP-Composerを提案する。 提案手法では, 複雑な循環パターンを単位制約に分解し, 拡散モデルに組み込む。 線形ペプチドの訓練にもかかわらず, 標的結合型環状ペプチドを多種に生成し, 成功率は38%から84%である。
  論文  参考訳（メタデータ） (2025-07-06T03:30:45Z)
• Designing Cyclic Peptides via Harmonic SDE with Atom-Bond Modeling [58.384011300570585]
  本稿では,高調波SDEに基づく生成構造予測モデルであるAtomSDEと残留型予測器であるResの2つの重要なコンポーネントからなるCpSDEを紹介する。 CpSDEは既存のデータ制限を克服し、様々な環状ペプチドの設計に長けている。 本手法により設計した環状ペプチドは安定性と親和性を示した。
  論文  参考訳（メタデータ） (2025-05-27T17:24:12Z)
• PPFlow: Target-aware Peptide Design with Torsional Flow Matching [52.567714059931646]
  ペプチド構造設計のためのねじれ角の内部構造をモデル化するために,textscPPFlowと呼ばれるターゲット認識型ペプチド設計手法を提案する。 さらに, PPBench2024というタンパク質-ペプチド結合データセットを構築した。
  論文  参考訳（メタデータ） (2024-03-05T13:26:42Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Accurate and Efficient Structural Ensemble Generation of Macrocyclic Peptides using Internal Coordinate Diffusion [0.5475672579692472]
  RINGERは拡散型トランスフォーマーモデルであり、その2次元表現から大環状ペプチドの3次元コンフォメーションアンサンブルを生成する。 本稿では,RINGERが計算コストのごく一部で高品質かつ多様なジオメトリを生成する方法を示す。
  論文  参考訳（メタデータ） (2023-05-30T16:39:18Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。