論文の概要: Accurate structural modeling of chemically diverse molecular interfaces with Vilya-2

• arxiv url: http://arxiv.org/abs/2607.25156v1
• Date: Tue, 28 Jul 2026 00:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.664586
• Title: Accurate structural modeling of chemically diverse molecular interfaces with Vilya-2
• Title（参考訳）: Vilya-2を用いた化学多様性分子界面の精密構造モデリング
• Abstract要約: Vilya-2は、Vilya-1の全原子表現を拡張する拡散変圧器である。 サイズ、クラス、組成にまたがるペプチドの構造を高精度にモデル化し、治療に関係のある標的に結合する。 様々なマクロサイクルの分子のモデリングや、ジスルフィドで安定化されたミニタンパク質のモデリングを一般化する。
• 参考スコア（独自算出の注目度）: 0.22586637593648193
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Structure-prediction networks built on co-evolutionary statistics have transformed protein-based drug discovery, yet their accuracy does not extend to peptide therapeutics--an increasingly important modality defined by non-canonical residues, macrocyclization, and complex topologies. We introduce Vilya-2, a diffusion transformer that extends the all-atom representation of Vilya-1 from modeling individual molecules to modeling their interactions with protein targets. This all-atom representation enables transfer learning between different molecular types, and delivers highly accurate structural modeling of peptides across sizes, classes, and compositions bound to therapeutically relevant targets. By generating diverse structural ensembles and ranking them with calibrated confidence, Vilya-2 recovers 59.1% of peptide interfaces to sub-2 Å backbone RMSD, far exceeding the performance of a representative co-folding model even when that model is given the bound receptor as a template. In addition, Vilya-2 is state-of-the-art at small-molecule docking, and generalizes to novel protein-small molecule complexes unlike those seen in training. It also generalizes to modeling molecular conformations of diverse macrocycles and disulfide-stapled miniproteins several-fold larger than any molecule seen in training. Finally, Vilya-2 can be used as a foundation model, and fine-tuned to enrich for active compounds in hit-to-lead campaigns. By unifying predictive accuracy with broad generalizability across chemical space, Vilya-2 is the structure-prediction oracle that de novo peptide design pipelines require--establishing the all-atom approach as a general foundation for the design and evaluation of de novo peptide therapeutics.
• Abstract（参考訳）: 共進化的統計に基づいて構築された構造予測ネットワークは、タンパク質に基づく薬物発見を変容させたが、その正確性はペプチド治療にまで及ばない。 分子のモデリングからタンパク質標的との相互作用のモデリングまで,Vilya-1の全原子表現を拡張する拡散トランスフォーマーであるVilya-2を紹介する。 この全原子表現は、異なる分子種間の転写学習を可能にし、治療に関係のある標的に結合したサイズ、クラス、組成にわたるペプチドの高精度な構造モデリングを提供する。 多様な構造的なアンサンブルを生成し、それらを調整された信頼度でランク付けすることで、ビリヤ-2は59.1%のペプチド界面をサブ-2 >バックボーンRMSDに回収し、そのモデルが境界受容体をテンプレートとして与えられた場合でも、代表的共フォールディングモデルの性能をはるかに上回っている。 さらに、Vilya-2は小分子ドッキングの最先端であり、訓練で見られるものとは異なり、新しいタンパク質-小分子複合体に一般化する。 また、様々なマクロサイクルやジスルフィド安定化ミニタンパク質の分子コンホメーションを、訓練で見られるどの分子よりも数倍大きい分子コンホメーションをモデル化するために一般化される。 最後に、Vilya-2は基礎モデルとして利用でき、ヒッチ・ツー・リードのキャンペーンにおいて活性化合物を豊かにするために微調整される。 化学空間全体にわたって広く一般化可能な予測精度を統一することにより、Vilya-2は、デノボペプチド設計パイプラインに必要な構造予測オラクルであり、デノボペプチド治療の設計と評価のための一般的な基礎として全原子アプローチを確立する。

関連論文リスト

• Vilya-1: An all-atom foundation model for macrocycle structure prediction and design [0.2376046284857443]
  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。
  論文  参考訳（メタデータ） (2026-07-10T21:52:47Z)
• Sesame: Structure-Aware Molecular Generation via Spatial Density-Map Conditioning [0.0]
  本稿では拡散型分子生成モデルであるSesameを紹介する。 デノボ生成とフラグメント条件付きリード最適化の両方をサポートする。 セサマはタンパク質-リガンドデータセットの大きなコーパスで訓練されている。
  論文  参考訳（メタデータ） (2026-06-22T18:48:10Z)
• 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)
• Peptide2Mol: A Diffusion Model for Generating Small Molecules as Peptide Mimics for Targeted Protein Binding [30.495863416651414]
  本稿では, ペプチド結合体とその周辺タンパク質ポケット環境の両方を参照することにより, 小分子を生成するE(3)-同変グラフニューラルネットワーク拡散モデルを提案する。 このモデルは、非自己回帰的生成タスクにおける最先端のパフォーマンスを達成し、元のペプチド結合体と類似した分子を生成する。
  論文  参考訳（メタデータ） (2025-11-07T05:02:51Z)
• A Generalist Cross-Domain Molecular Learning Framework for Structure-Based Drug Discovery [32.573496601865465]
  構造に基づく薬物発見(Structure-based drug discovery、SBDD)は、標的タンパク質の詳細な物理的構造を利用して新しい薬物を開発する体系的な科学的プロセスである。 生体分子の事前学習モデルの最近の進歩は、様々な生化学的応用において顕著な成功を収めている。
  論文  参考訳（メタデータ） (2025-03-06T12:04:56Z)
• 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)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• 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)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)

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。