論文の概要: Chamaileon: Cross-Context Binder Design with Contextualized Modeling and Mixed Sampling
- arxiv url: http://arxiv.org/abs/2607.23518v1
- Date: Sun, 26 Jul 2026 07:35:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.139655
- Title: Chamaileon: Cross-Context Binder Design with Contextualized Modeling and Mixed Sampling
- Title（参考訳）: Chamaileon: コンテキストモデリングと混合サンプリングによるコンテキスト境界設計
- Abstract要約: 本稿では,マルチターゲットとマルチステートバインダの設計を統合するChamaileonを紹介し,その問題をコンテキスト間バインディングランドスケープモデリングとして定式化する。
このフレームワークは、In-Context Complex Co-Design(I3CD)と呼ばれるトレーニングパラダイムによって基盤付けられている。
- 参考スコア（独自算出の注目度）: 19.701450236748254
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid evolution of generative models has unlocked new potentials in protein binder design, a pivotal task in structural biology, by facilitating end-to-end generation via joint sequence-structure modeling or hallucination. However, existing approaches are predominantly implemented under a single-target, single-state assumption, limiting their ability to model multi-target or multi-state interactions required for advanced function-oriented protein design. Here, we introduce Chamaileon, which unifies multi-target and multi-state binder design by formulating the problem as cross-context binding landscape modeling. The framework is underpinned by a training paradigm termed In-Context Complex Co-Design (I3CD) for context-aware sequence-structure co-modeling. During inference, we employ Mixture-of-Paths Sampling (MoPS), a scalable strategy that optimizes a single sequence across contexts while alleviating the scarcity of high-quality multi-conformational paired data. Extensive evaluation on our newly constructed benchmark, CROSS, demonstrates that Chamaileon effectively generates sequences adaptable to diverse conformational landscapes and multi-target requirements. The code is available on https://github.com/caohengyuan/Chamaileon.
- Abstract（参考訳）: 生成モデルの急速な進化により、構造生物学における重要な課題であるタンパク質バインダー設計における新たなポテンシャルが解き放たれた。
しかし、既存のアプローチは主に単一ターゲットの単一状態仮定の下で実装されており、高度な機能指向タンパク質設計に必要なマルチターゲットまたは多状態相互作用をモデル化する能力を制限する。
本稿では,マルチターゲットとマルチステートバインダーを一体化したChamaileonを紹介し,その問題をコンテキスト間バインディングランドスケープモデリングとして定式化する。
このフレームワークは、In-Context Complex Co-Design(I3CD)と呼ばれるトレーニングパラダイムによって基盤付けられている。
推論では、高品質なマルチコンフォーマルなペアリングデータの不足を軽減しつつ、コンテキストをまたいだ単一シーケンスを最適化するスケーラブルな戦略であるMixture-of-Paths Smpling(MoPS)を採用する。
新たに構築したベンチマークCROSSの大規模な評価により、Chamaileonは多様なコンフォメーションランドスケープやマルチターゲット要求に適応可能なシーケンスを効果的に生成することを示した。
コードはhttps://github.com/caohengyuan/Chamaileon.comで入手できる。
関連論文リスト
- SimpleDesign: A Joint Model for Protein Sequence and Structure Codesign [53.93453139057735]
データ空間で直接訓練された効果的なマルチモーダルタンパク質設計モデルであるSimpleDesignを提案する。
2M以上のシーケンス構造ペア上でSimpleDesignをトレーニングし、共設計および非条件シーケンス/構造生成ベンチマーク間で強力なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-09-03T05:25:05Z) - Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。
Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。
また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
論文 参考訳（メタデータ） (2026-03-30T01:54:03Z) - Towards Unified Multimodal Interleaved Generation via Group Relative Policy Optimization [35.14373974143734]
既存の統一モデルにおいて,この能力を解放するための強化学習に基づくポストトレーニング戦略を提案する。
提案手法は,1つの復号軌道内でのテキスト生成と画像生成を共同でモデル化し,新たなハイブリッド報酬で最適化する。
MMIEとInterleavedBenchの実験により,マルチモーダルインターリーブド生成の品質とコヒーレンスを大幅に向上させることが実証された。
論文 参考訳（メタデータ） (2026-03-10T11:49:20Z) - Swarms of Large Language Model Agents for Protein Sequence Design with Experimental Validation [0.9332987715848714]
大規模言語モデル(LLM)エージェントは並列に動作し、それぞれ特定の残基位置に割り当てられる。
この位置的、非集中的な調整は、多様で明確に定義されたシーケンスの創発的設計を可能にする。
提案手法は,数時間以内に効率よく客観的な設計を実現し,微調整や特殊訓練を行なわずに完全に動作させる。
論文 参考訳（メタデータ） (2025-11-27T10:42:52Z) - HiCoGen: Hierarchical Compositional Text-to-Image Generation in Diffusion Models via Reinforcement Learning [66.99487505369254]
HiCoGenは、新しいChain of Synthesisパラダイムに基づいて構築されている。
複雑なプロンプトを最小の意味単位に分解する。
その後、これらのユニットを反復的に合成し、各ステップで生成された画像が次に重要な視覚的コンテキストを提供する。
実験により,提案手法は概念カバレッジと構成精度の両方において,既存手法よりも有意に優れていた。
論文 参考訳（メタデータ） (2025-11-25T06:24:25Z) - NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。
NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。
さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
論文 参考訳（メタデータ） (2025-10-15T16:25:18Z) - Mogao: An Omni Foundation Model for Interleaved Multi-Modal Generation [54.588082888166504]
我々は、因果アプローチを通じてインターリーブされたマルチモーダル生成を可能にする統一的なフレームワークであるMogaoを提案する。
Mogooは、Deep-fusion設計、デュアルビジョンエンコーダ、インターリーブされた回転位置埋め込み、マルチモーダル分類器フリーガイダンスなど、アーキテクチャ設計における重要な技術的改善のセットを統合している。
実験により,モガオはマルチモーダル理解とテキスト・ツー・イメージ生成において最先端の性能を発揮するとともに,高品質でコヒーレントなインターリーブ・アウトプットの創出にも優れていることが示された。
論文 参考訳（メタデータ） (2025-05-08T17:58:57Z) - A Simple Approach to Unifying Diffusion-based Conditional Generation [63.389616350290595]
多様な条件生成タスクを処理するための、シンプルで統一されたフレームワークを導入します。
提案手法は,異なる推論時間サンプリング方式による多目的化を実現する。
我々のモデルは、非親密なアライメントや粗い条件付けのような追加機能をサポートしています。
論文 参考訳（メタデータ） (2024-10-15T09:41:43Z) - A framework for conditional diffusion modelling with applications in motif scaffolding for protein design [11.346153061528504]
バインダーや酵素設計などの多くのタンパク質設計用途では、高い精度で構造モチーフの足場を作る必要がある。
微分拡散過程に基づく生成的モデリングパラダイムがこのモチーフ足場問題に対処する主要な候補として浮上した。
本稿では,数学的によく理解されたDoobのh-transformに基づいて,既存の条件付きトレーニングプロトコルの新しいバリエーションを提案する。
論文 参考訳（メタデータ） (2023-12-14T18:57:56Z)
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。