Fugu-MT 論文翻訳(概要): Variable-Length Generative Protein Design via Generalized Poisson Flow

論文の概要: Variable-Length Generative Protein Design via Generalized Poisson Flow

arxiv url: http://arxiv.org/abs/2607.09039v1
Date: Fri, 10 Jul 2026 02:11:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-13 14:47:12.764755
Title: Variable-Length Generative Protein Design via Generalized Poisson Flow
Title（参考訳）: 一般化ポアソンフローによる可変長生成タンパク質の設計
Abstract要約: 一般化ポアソンフロー(GPFlow)は、不均一な一般化ポアソン過程の速度関数を学習する可変長生成フレームワークである。 GPFlowを構造とシーケンス設計,モチーフスキャフォールディング,ペプチド共設計で評価した。
参考スコア（独自算出の注目度）: 26.832992997199238
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The ability to generate variable-length proteins is crucial in protein design, where the optimal length is often unknown and tightly coupled to designability. Current diffusion- and flow-based generative models typically require the protein length to be specified before sampling, limiting their flexibility in exploring the feasible design space. To address this limitation, we introduce Generalized Poisson Flow (GPFlow), a variable-length generative framework that learns the rate function of an inhomogeneous generalized Poisson process by minimizing its negative log-likelihood. We establish population-level guarantees for recovering the joint multimodal distribution and derive an upper bound on the KL divergence between the data and generated distributions. We comprehensively evaluate GPFlow across structure and sequence design, motif scaffolding, and peptide co-design, spanning Euclidean, categorical, and Riemannian modalities to fully validate its variable-length generation quality. In unconditional design, GPFlow improves structural designability and achieves the best distributional fitness for sequence design compared to their corresponding fixed-length baselines, while perfectly recovering the length distribution. In conditional motif scaffolding, GPFlow ranks first on 10 of 16 structure-based design tasks with significantly more unique successes and also achieves more passed tasks in sequence-based design. In peptide co-design, GPFlow remains competitive even without access to a native-length oracle.
Abstract（参考訳）: 可変長タンパク質を生成する能力は、最適長がよく知られておらず、設計性に強く結びついているタンパク質設計において重要である。現在の拡散型およびフローベースの生成モデルでは、サンプリング前にタンパク質の長さを指定する必要があるため、実現可能な設計空間を探索する際の柔軟性が制限される。この制限に対処するために,不均一な一般化されたPoissonプロセスの速度関数を,その負の対数類似度を最小化して学習する可変長生成フレームワークであるGeneralized Poisson Flow (GPFlow)を導入する。我々は、共同マルチモーダル分布を復元するための集団レベルの保証を確立し、データと生成された分布の間のKLの分岐に上限を導出する。 GPFlowの構造, 配列設計, モチーフスキャフォールディング, ペプチド共設計, ユークリッド, カテゴリー, リーマンモードを包括的に評価し, その可変長生成品質を十分に検証した。非条件設計では、GPFlowは構造設計性を改善し、長さ分布を完全に回復しながら、対応する固定長ベースラインと比較して、シーケンス設計のための最適な分布適合性を達成する。条件付きモチーフスキャフォールディングでは、GPFlowは16の構造ベースの設計タスクのうち10にランクインする。ペプチド共設計では、GPFlowはネイティブ長のオラクルへのアクセスなしに競争力を維持している。

関連論文リスト

Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文参考訳（メタデータ） (2026-01-30T03:59:38Z)
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)
ProtFlow: Fast Protein Sequence Design via Flow Matching on Compressed Protein Language Model Embeddings [8.068149785650649]
ProtFlowは高速なフローマッチングベースのタンパク質配列設計フレームワークである。潜在空間の圧縮と平滑化により、ProtFlowは限られた計算リソースをトレーニングしながらパフォーマンスを向上させる。一般ペプチドや長鎖タンパク質,抗菌ペプチド,抗体など,多種多様なタンパク質設計タスクにおけるProtFlowの評価を行った。
論文参考訳（メタデータ） (2025-04-15T08:46:53Z)
Sampling-based Continuous Optimization with Coupled Variables for RNA Design [4.226911519009711]
RNA設計問題に対する連続的な最適化手法を開発した。我々の研究はボルツマン確率、アンサンブル欠陥、エネルギーギャップといった重要な指標において、常に最先端の手法よりも優れています。
論文参考訳（メタデータ） (2024-12-11T19:46:54Z)
Pan-protein Design Learning Enables Task-adaptive Generalization for Low-resource Enzyme Design [44.258193520999484]
我々は、事前学習されたタンパク質言語モデル(PPLM)を利用するドメイン適応型フレームワークであるCrossDesignを紹介する。タンパク質構造を配列と整合させることで、CrossDesignは制限された構造データの制限を克服し、事前訓練された知識を構造モデルに転送する。実験結果はCrossDesignの優れたパフォーマンスとロバスト性、特にドメイン外酵素について強調した。
論文参考訳（メタデータ） (2024-11-26T17:51:33Z)
On Generalization for Generative Flow Networks [54.20924253330039]
生成フローネットワーク(GFlowNets)は、非正規化確率分布からのサンプリングの課題に対処するために設計された革新的な学習パラダイムとして登場した。本稿では,GFlowNetsの文脈で一般化を形式化し,一般化と安定性を結びつけるとともに,これらのモデルの能力を評価する実験を行い,報酬関数の未知の部分を明らかにする。
論文参考訳（メタデータ） (2024-07-03T13:42:21Z)
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)
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)
OT-Flow: Fast and Accurate Continuous Normalizing Flows via Optimal Transport [8.468007443062751]
正規化フローは任意の確率分布と標準正規分布の間の可逆写像である。 OT-Flowは、より広範なCNFの使用を制限する2つの重要な計算課題に取り組む。 5つの高次元密度推定および生成モデリングタスクにおいて、OT-Flowは最先端CNFと競合して動作する。
論文参考訳（メタデータ） (2020-05-29T22:31:10Z)
Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。