論文の概要: Vilya-1: An all-atom foundation model for macrocycle structure prediction and design

• arxiv url: http://arxiv.org/abs/2607.09998v1
• Date: Fri, 10 Jul 2026 21:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.272308
• Title: Vilya-1: An all-atom foundation model for macrocycle structure prediction and design
• Title（参考訳）: Vilya-1:マクロサイクル構造予測と設計のための全原子基盤モデル
• Authors: Vilya Research, :, Pascal Sturmfels, Milad Salem, Naozumi Hiranuma, Stephen Rettie, Xiaoliang Pan, Benjamin D. Sellers, Adam P. Moyer, Patrick J. Salveson, Ivan Anishchanka,
• Abstract要約: マクロサイクル設計における2つの中心的な課題に対処するディープラーニングモデルであるVilya-1を紹介する。 Vilya-1は均一な全原子表現で動作し、異種構造データセットで訓練されている。 物理に基づく手法、共フォールディングネットワーク、およびディープラーニングコンバータジェネレータに対する幾何的精度を大幅に向上させる。 生成的応用もサポートしており、化学、構造、特性プロファイルを調整した新しいマクロサイクルの設計を可能にしている。
• 参考スコア（独自算出の注目度）: 0.2376046284857443
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Macrocyclic peptides are an increasingly important therapeutic modality, but existing computational methods for modeling their structures and properties are limited in scope and do not generalize well across the synthetically accessible chemical space. In this work, we introduce Vilya-1, a deep learning model that addresses two central challenges in macrocycle design: sampling biologically relevant conformations across arbitrary chemistries and predicting key developability properties such as membrane permeability. Vilya-1 operates on a uniform all-atom representation and is trained on heterogeneous structural datasets spanning diverse topologies and chemical classes. Across a broad set of macrocycles composed of canonical and non-canonical residues, Vilya-1 substantially improves geometric accuracy relative to physics-based methods, co-folding networks, and deep-learning conformer generators, while maintaining broad chemical coverage that extends to small molecules. Vilya-1 also supports generative applications, enabling the design of novel macrocycles with tailored chemical, structural, and property profiles. Together, these capabilities establish Vilya-1 as a foundation model for accelerating the development of next-generation macrocycle therapeutics.
• Abstract（参考訳）: マクロ環状ペプチドは、ますます重要な治療モダリティであるが、それらの構造や性質をモデル化するための既存の計算手法は、範囲が限られており、合成可能な化学空間にわたってうまく一般化しない。 本研究では, 任意の化学薬品間で生物学的に関連するコンフォメーションをサンプリングし, 膜透過性などの重要な開発性を予測する, マクロサイクル設計における2つの中心的課題に対処する深層学習モデルVilya-1を紹介する。 Vilya-1は均一な全原子表現で動作し、多様なトポロジーと化学クラスにまたがる不均一な構造データセットで訓練されている。 正準残基と非正準残基からなる幅広いマクロサイクル全体にわたって、Vilya-1は物理ベースの方法、共フォールディングネットワーク、およびディープラーニングコンフォメータジェネレータに対する幾何学的精度を大幅に向上させながら、小さな分子にまで及ぶ幅広い化学的カバレッジを維持している。 Vilya-1は生成的応用もサポートしており、化学、構造、特性プロファイルを調整した新しいマクロサイクルの設計を可能にしている。 これらの能力は、次世代のマクロサイクル治療の開発を加速する基盤モデルとしてVilya-1を確立する。

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)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• CREMP: Conformer-rotamer ensembles of macrocyclic peptides for machine learning [0.1747623282473278]
  本稿では,マクロ環状ペプチドを用いた機械学習モデルの迅速開発と評価のためのリソースであるCREMPを紹介する。 CREMPは36,198個のマクロ環状ペプチドとコンフォーマー-ロタマーアンサンブルサンプリングツール(CREST)を用いた高品質な構造アンサンブルを含む さらに、この新しいデータセットには3130万近いユニークなマクロサイクルのジオメトリが含まれており、それぞれが半経験的拡張タイトバインディング(xTB)DFT計算から導かれるエネルギーでアノテートされている。
  論文  参考訳（メタデータ） (2023-05-14T03:50:46Z)
• 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)
• Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model [44.60174246341653]
  本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。 提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。 これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:16:08Z)
• 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)
• Deep learning for synthetic microstructure generation in a materials-by-design framework for heterogeneous energetic materials [0.0]
  化学反応のマルチスケール予測モデルは、メソスケールの物理を説明する。 メソスケール物理は、メソスケールの解決されたシミュレーションによって誘導される機械学習閉包モデルに注入される。 本稿では, 合成ヘテロジニアス系エネルギー材料マイクロ構造のアンサンブルを生成するために, GAN(Generative Adversarial Network)を活用することを提案する。
  論文  参考訳（メタデータ） (2020-04-05T16:58:31Z)

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。