論文の概要: Protein Structure Prediction: From Evolutionary Constraints to Generative Modeling

• arxiv url: http://arxiv.org/abs/2608.16094v1
• Date: Mon, 17 Aug 2026 04:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.536726
• Title: Protein Structure Prediction: From Evolutionary Constraints to Generative Modeling
• Title（参考訳）: タンパク質構造予測:進化的制約から生成的モデリングへ
• Abstract要約: 近年のディープラーニングの進歩は、タンパク質構造予測の分野に変化をもたらした。 本稿では,フィールド自体の方法論的進化に焦点をあてる。 方法論的なシフトが、最近のモデルの能力、限界、実践的な役割をいかに形作ったか、より明確な理解を提供する。
• 参考スコア（独自算出の注目度）: 5.283983962386345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate protein structure prediction is fundamental to structural biology because protein structure underlies molecular function and provides a basis for mechanistic interpretation. Recent advances in deep learning have transformed the field from multiple sequence alignment (MSA)-driven monomer folding into broader frameworks capable of modeling protein complexes and increasingly heterogeneous molecular systems. Existing reviews have summarized this progress from the perspectives of representative models, application domains, and protein design. Building on these efforts, this review focuses on the methodological evolution of the field itself. It examines recent developments through three closely related dimensions: representations and data, architectures and learning strategies, and confidence and evaluation. Within this perspective, the field is organized into four methodological phases and three cross-cutting transitions: from explicit evolutionary coupling features and early contact prediction to learned sequence representations in AlphaFold2, RoseTTAFold, and ESMFold; from protein-only monomer folding to increasingly integrated modeling of heterogeneous molecular systems in AlphaFold-Multimer, RoseTTAFoldNA, and AlphaFold3; and, more recently, from prediction-oriented structure inference to design-oriented generative modeling in RFdiffusion and related frameworks. This framework provides a clearer understanding of how methodological shifts have shaped the capabilities, limitations, and practical roles of recent models.
• Abstract（参考訳）: 正確なタンパク質構造予測は、タンパク質構造が分子機能の下にあり、機械的解釈の基礎となるため、構造生物学の基礎となる。 深層学習の最近の進歩は、マルチシーケンシャルアライメント(MSA)駆動のモノマーの折り畳みから、タンパク質複合体やより異質な分子系をモデル化できるより広範なフレームワークへと変化した。 既存のレビューでは、この進歩を代表モデル、アプリケーションドメイン、タンパク質設計の観点から要約している。 本論は,これらの取り組みに基づいて,フィールド自体の方法論的進化に焦点を当てたものである。 それは、表現とデータ、アーキテクチャと学習戦略、信頼と評価の3つの密接に関連する側面を通して、最近の発展を調査する。 この観点では、フィールドは4つの方法論的段階と3つの横断的遷移に分けられる: 明示的な進化的結合特徴と早期接触予測からAlphaFold2, RoseTTAFold, ESMFoldにおける学習配列表現、タンパク質のみのモノマーフォールディングからAlphaFold-Multimer, RoseTTAFoldNA, AlphaFold3における異種分子系のますます統合モデリング、そして最近ではRFdiffusionと関連するフレームワークにおける予測的構造推論から設計指向の生成モデリングまで。 このフレームワークは、方法論的なシフトが、最近のモデルの能力、限界、実践的な役割をどう形作ったか、より明確に理解する。

関連論文リスト

• 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)
• From Snapshots to Symphonies: The Evolution of Protein Prediction from Static Structures to Generative Dynamics and Multimodal Interactions [0.8880611506199769]
  レビューでは、5つの相互接続された次元にわたるAI駆動タンパク質科学のパラダイムシフトを体系的に検証している。 データ分散バイアス、機械的解釈可能性の制限、幾何学的メトリクスと生物物理学的現実の切り離しなど、現在のボトルネックを批判的に分析する。 この手法は、人工知能が構造解析ツールから普遍的なシミュレータへ移行し、生命の動的言語を理解し、最終的に書き換えることができることを示す。
  論文  参考訳（メタデータ） (2026-03-19T05:25:17Z)
• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• Protein Autoregressive Modeling via Multiscale Structure Generation [51.92004892768298]
  タンパク質自己回帰モデリング(PAR)は,タンパク質のバックボーン生成のための最初のマルチスケール自己回帰フレームワークである。 ノイズの多いコンテキスト学習とスケジュールサンプリングを採用し、堅牢なバックボーン生成を実現している。 非条件生成ベンチマークでは、PARはタンパク質の分布を効果的に学習し、高い設計品質のバックボーンを生成する。
  論文  参考訳（メタデータ） (2026-02-04T18:59:49Z)
• From Prediction to Simulation: AlphaFold 3 as a Differentiable Framework for Structural Biology [0.0]
  AlphaFold 3は、計算生物学における変革的な進歩を表す。 AlphaFold 3はタンパク質の折りたたみ予測を微分可能なプロセスとすることで、深層学習と物理に基づく分子シミュレーションを統合するためのフレームワークとして機能する。
  論文  参考訳（メタデータ） (2025-08-25T19:49:28Z)
• A Model-Centric Review of Deep Learning for Protein Design [0.0]
  ディープラーニングはタンパク質設計を変換し、正確な構造予測、シーケンス最適化、de novoタンパク質生成を可能にした。 ProtGPT2、ProteinMPNN、RFdiffusionなどの生成モデルは、自然進化に基づく制限を超えてシーケンスとバックボーンの設計を可能にした。 最近では、ESM3を含む共同シーケンス構造共設計モデルが両方のモダリティを統一されたフレームワークに統合し、設計性が向上した。
  論文  参考訳（メタデータ） (2025-02-26T14:31:21Z)
• NeuralPLexer3: Accurate Biomolecular Complex Structure Prediction with Flow Models [6.75152379258166]
  本稿では, 生体分子間相互作用における最先端の予測精度を実現するフローベース生成モデルであるNeuralPLexer3を提案する。 新たに開発されたベンチマーク戦略により、NeuralPLexer3は、構造ベースの医薬品設計に不可欠な重要な領域に優れています。
  論文  参考訳（メタデータ） (2024-12-14T08:28:45Z)
• ProteinBench: A Holistic Evaluation of Protein Foundation Models [53.59325047872512]
  本稿では,タンパク質基盤モデルのための総合評価フレームワークであるProteinBenchを紹介する。 本研究のアプローチは, タンパク質ドメインにおける課題を包括的に包括するタスクの分類学的分類, (ii) 品質, 新規性, 多様性, 堅牢性, および (iii) 様々なユーザ目標から詳細な分析を行い, モデルパフォーマンスの全体的視点を提供する,4つの重要な側面にわたるパフォーマンスを評価するマルチメトリック評価アプローチからなる。
  論文  参考訳（メタデータ） (2024-09-10T06:52:33Z)
• Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
  マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。 MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。 実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T10:59:23Z)
• 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)
• Generating Tertiary Protein Structures via an Interpretative Variational Autoencoder [16.554053012204182]
  本稿では,タンパク質の機能的関連3次元構造を生成するための代替手法を提案し,評価する。 いくつかの深層建築の包括的評価は、新しい第三次構造をサンプリングするための潜伏空間を直接明らかにする上で、生成モデルの可能性を示唆している。
  論文  参考訳（メタデータ） (2020-04-08T17:40:21Z)

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。