論文の概要: Deciphering Fingerprints of 3D Molecular Surfaces for Accurate Epitope Prediction

• arxiv url: http://arxiv.org/abs/2606.23830v1
• Date: Mon, 22 Jun 2026 18:14:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.621697
• Title: Deciphering Fingerprints of 3D Molecular Surfaces for Accurate Epitope Prediction
• Title（参考訳）: 正確なエピトープ予測のための3次元分子表面の指紋の解読
• Authors: Fang Wu, Weihao Xuan, Jure Leskovec, Yejin Choi, Li Erran Li,
• Abstract要約: SurfBindは、分子表面表現を直接操作する予測のための表面中心学習フレームワークである。 SurfBindは、Transformerベースのアーキテクチャにより、パッチレベルの表面モデリング、バインダー対応のクロスアテンション、階層的な粗大な予測パラダイムなどを通じて、幾何学的および物理化学的手がかりを統合している。
• 参考スコア（独自算出の注目度）: 82.84146585955015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular surfaces encode the geometric and physicochemical patterns that determine antibody-antigen recognition, central to epitope prediction. However, existing methods rely on sequences or backbone structures and struggle to capture discontinuous, surface-driven epitopes. This study presents SurfBind, a surface-centric learning framework for epitope prediction that operates directly on molecular surface representations. SurfBind integrates geometric and physicochemical cues through a Transformer-based architecture with patch-level surface modeling, binder-aware cross-attention, and a hierarchical coarse-to-fine prediction paradigm. Experiments on challenging epitope identification benchmarks, including SAbDab and DB5.5, demonstrate that SurfBind achieves state-of-the-art performance and strong generalization across unseen antibodies and conformational states, highlighting the value of interaction-aware surface modeling for understanding the crucial mechanisms of protein-protein interactions.
• Abstract（参考訳）: 分子表面は、エピトープ予測の中心となる抗体抗原認識を決定する幾何学的および物理化学的パターンをコードする。 しかし、既存の手法は配列や背骨構造に依存しており、不連続で表面駆動のエピトープを捉えるのに苦労している。 本研究では,分子表面表現を直接操作するエピトープ予測のための表面中心学習フレームワークであるSurfBindを提案する。 SurfBindは、Transformerベースのアーキテクチャにより、パッチレベルの表面モデリング、バインダー対応のクロスアテンション、階層的な粗大な予測パラダイムなどを通じて、幾何学的および物理化学的手がかりを統合している。 SAbDabやDB5.5などの挑戦的エピトープ識別ベンチマークの実験では、SurfBindは、タンパク質とタンパク質の相互作用の重要なメカニズムを理解するための相互作用認識表面モデリングの価値を強調し、未確認の抗体とコンフォメーション状態の強い一般化を実現している。

関連論文リスト

• Learning Topological Representations for Molecular Dynamics [6.371142192684222]
  分子動力学の汎用表現として永続ホモロジー(PH)を考察する。 最近導入された単純複合体構築のタンパク質調整修飾であるマスク付きフラッド複合体を導入する。 学習した低次元座標から,タンパク質のクラス予測,フレームレベルの可観測回帰,マルコフ状態モデル(MSM)の推定について検討した。
  論文  参考訳（メタデータ） (2026-06-02T13:26:11Z)
• SurfDesign: Effective Protein Design on Molecular Surfaces [75.87423747412242]
  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。
  論文  参考訳（メタデータ） (2026-05-25T19:53:02Z)
• A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
  分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。 この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。 ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
  論文  参考訳（メタデータ） (2026-04-17T15:16:33Z)
• Machine learning model for predicting surface wettability in laser-textured metal alloys [34.008574054602356]
  表面の濡れ性は、熱伝達、マイクロ流体学、表面コーティングなどの応用において重要な役割を果たす。 レーザ加工した金属合金の濡れ度を正確に予測できる機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-15T21:39:09Z)
• 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)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
  機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。 本研究は,最先端な生成手法を提案する。 メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
  論文  参考訳（メタデータ） (2023-12-22T11:49:39Z)
• Accelerating the prediction of inorganic surfaces with machine learning interatomic potentials [0.0]
  このレビューは、主に学習された原子間ポテンシャルの形で、複雑な表面の研究に機械学習を適用することに焦点を当てる。 機械学習アルゴリズムと、それらを訓練する大規模なデータセットが材料科学においてより一般的になるにつれて、計算手法はナノスケールの無機表面の複雑さをモデル化するためにさらに予測的かつ強力なものになりつつある。
  論文  参考訳（メタデータ） (2023-12-18T21:08:13Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)

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。