論文の概要: Pepti-drift: Toxicity-Repulsive Drifting for Antigen-Conditioned Discrete Peptide Generation

• arxiv url: http://arxiv.org/abs/2606.27824v2
• Date: Mon, 29 Jun 2026 01:23:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 15:56:39.062018
• Title: Pepti-drift: Toxicity-Repulsive Drifting for Antigen-Conditioned Discrete Peptide Generation
• Title（参考訳）: ペプチドリフト : 抗原含有離散ペプチド生成のための毒性還元ドリフト
• Abstract要約: ペプチドリフト(Pepti-drift)は、単一の抗原条件のドリフトステップを通じてペプチド候補を生成する毒性を意識した潜在性精製フレームワークである。 生成されたペプチドは100%の妥当性、98.1%の特異性、最も高い配列の多様性、ほぼゼロに近い抗原の再利用を示す。
• 参考スコア（独自算出の注目度）: 5.600161718503259
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Peptides are a promising therapeutic modality that combine the chemical tunability of small molecules with the target specificity of macromolecular therapeutics. However, designing antigen-specific binding peptides while avoiding toxicity remains a major challenge for therapeutic peptide discovery. Here, we present Pepti-drift, a toxicity-aware latent refinement framework that generates peptide candidates through a single antigen-conditioned drift step. In a peptide embedding space, Pepti-drift learns to attract generated peptide latents toward antigen-matched binding peptides while repelling them from toxicity-associated regions. This is challenging because binding-promoting physicochemical features often overlap with toxicity-associated features in peptide representation space. To address this, we introduce a warm-up strategy to stabilize this competing objective by first learning binding-oriented attraction and then increasing toxicity repulsion. Pepti-drift achieves highly efficient generation, running 16.2-fold faster than PepMLM and 1,092.0-fold faster than PepTune. Generated peptides show 100% validity, 98.1% uniqueness, the highest sequence diversity, and near-zero cross-antigen reuse. Further evaluation indicates consistently reduced toxicity and hemolysis risk across most peptide-length ranges while retaining target-related predictive binding signal. Pepti-drift thus provides a fast, scalable, and controllable framework for antigen-specific peptide design that directly encodes safe-and-active properties.
• Abstract（参考訳）: ペプチドは、小分子の化学的調節性とマクロ分子治療の標的特異性を組み合わせた、有望な治療モダリティである。 しかし、抗原特異的な結合ペプチドを設計し、毒性を避けることは、治療ペプチドの発見にとって大きな課題である。 ここでは1つの抗原条件ドリフトステップを通じてペプチド候補を生成する毒性を意識した潜在性精製フレームワークであるPepti-driftについて述べる。 ペプチドの埋め込み空間において、Pepti-driftは、生成したペプチド潜伏剤を抗原にマッチした結合ペプチドに誘引し、毒性関連領域から排除する。 これは、結合促進の物理化学的特徴がペプチド表現空間における毒性関連特徴と重なり合うためである。 そこで本研究では,まず,結合指向アトラクションを学習し,毒性抑制を増大させることにより,競合対象を安定させるウォームアップ戦略を提案する。 Pepti-driftは、PepMLMよりも16.2倍、PepTuneより1,092.0倍速く、非常に効率的な生成を実現している。 生成ペプチドは100%の妥当性、98.1%の特異性、最も高い配列の多様性、ほぼゼロに近い抗原の再利用を示す。 さらなる評価は、標的関連予測結合シグナルを保持しながら、ほとんどのペプチド長範囲にわたる毒性と溶血リスクを一貫して減少させることを示している。 Pepti-driftは、安全かつ活性な性質を直接コードする抗原特異的ペプチド設計のための、迅速でスケーラブルで制御可能なフレームワークを提供する。

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)
• A deep reinforcement learning platform for antibiotic discovery [101.30486136547285]
  抗微生物抵抗性(AMR)は2050年までに最大1000万人が死亡すると予想されている。 本稿では,抗生物質のde novo設計のためのディープラーニングフレームワークであるApexAmphionを紹介する。
  論文  参考訳（メタデータ） (2025-09-16T18:21:42Z)
• 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)
• LengthLogD: A Length-Stratified Ensemble Framework for Enhanced Peptide Lipophilicity Prediction via Multi-Scale Feature Integration [7.108841574193276]
  LengthLogDは、分子長層化によって特殊なモデルを確立する予測フレームワークである。 長鎖ペプチドに特異的に開発された適応重み付け機構はモデル一般化性を著しく向上させる。 本研究は、ペプチド医薬品開発のための正確なログD予測ツールを提供し、特に長鎖ペプチド鉛化合物の最適化におけるユニークな価値を示す。
  論文  参考訳（メタデータ） (2025-05-22T18:05:53Z)
• CreoPep: A Universal Deep Learning Framework for Target-Specific Peptide Design and Optimization [19.795752582745397]
  コノトキシンのような標的特異的ペプチドは、イオンチャネルや受容体に対する例外的な結合親和性と選択性を示す。 本稿では, プログレッシブマスキング手法とマスク言語モデリングを統合し, 高親和性ペプチド変異体を設計する, 深層学習に基づく条件生成フレームワークであるCreoPepについて述べる。 ニコチン性アセチルコリン受容体を標的としたコノトキシン阻害剤を設計し, 電気生理学的試験においてサブミクロモル活性を達成することにより, このアプローチを検証した。
  論文  参考訳（メタデータ） (2025-05-05T15:56:39Z)
• dyAb: Flow Matching for Flexible Antibody Design with AlphaFold-driven Pre-binding Antigen [52.809470467635194]
  治療抗体の開発は、抗原が抗体とどのように相互作用するかの正確な予測に大きく依存している。 抗体設計における既存の計算方法はしばしば、結合過程において抗原が実行されている重要なコンフォメーション変化を見落としている。 我々は、αFold2による予測を組み込んだ柔軟なフレームワークであるdyAbを導入し、前結合性抗原構造をモデル化する。
  論文  参考訳（メタデータ） (2025-03-01T03:53:18Z)
• DapPep: Domain Adaptive Peptide-agnostic Learning for Universal T-cell Receptor-antigen Binding Affinity Prediction [38.358558338444624]
  本稿では,TCR-抗原結合親和性予測のためのドメイン適応型ペプチド非依存的学習フレームワークDapPepを紹介する。 DapPepは既存のツールを一貫して上回り、堅牢な一般化能力を示している。 腫瘍新生抗原療法における反応性T細胞の選別や、3D構造における重要な位置の同定など、難しい臨床課題に有効である。
  論文  参考訳（メタデータ） (2024-11-26T18:06:42Z)
• Hotspot-Driven Peptide Design via Multi-Fragment Autoregressive Extension [34.5830296205857]
  PepHARは、特定のタンパク質を標的としたペプチドを設計するためのホットスポット駆動の自己回帰生成モデルである。 特定のホットスポット残基が高い相互作用ポテンシャルを持つという観測に基づいて、我々はまずエネルギーベースの密度モデルを用いてこれらのキー残基を適合させ、サンプリングする。 ホットスポットサンプリングとフラグメントベースの拡張を組み合わせることで,ターゲットタンパク質に適合したデノボペプチドの設計が可能となった。
  論文  参考訳（メタデータ） (2024-11-26T15:13:17Z)
• PepGB: Facilitating peptide drug discovery via graph neural networks [36.744839520938825]
  ペプチド-タンパク質相互作用(PepPIs)を予測することにより、ペプチドの早期発見を容易にする深層学習フレームワークPepGBを提案する。 我々は、リード生成と最適化プロセスでよく見られる高度に不均衡なデータのモデリングのボトルネックに取り組むために、拡張バージョンの diPepGB を導出する。
  論文  参考訳（メタデータ） (2024-01-26T06:13:09Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• 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)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。