論文の概要: Leveraging generative hallucination and biophysics-informed modeling for unified biomolecular sequence-structure co-design

• arxiv url: http://arxiv.org/abs/2608.17381v1
• Date: Tue, 18 Aug 2026 05:16:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.22458
• Title: Leveraging generative hallucination and biophysics-informed modeling for unified biomolecular sequence-structure co-design
• Title（参考訳）: 単一生体分子配列構造共設計のための生成幻覚と生体生理学的インフォームドモデリングの活用
• Abstract要約: MCTH(Monte Carlo Tree Hallucination)は,全原子配列構造共設計を不確実性を考慮した計画手法とする推論のみのフレームワークである。 タンパク質-RNA、タンパク質-DNA、タンパク質-タンパク質-リガンド、タンパク質-リガンド設計の整合予算実験により、適応探索は単純なサンプリングとサイクリング戦略よりも改善されることが示された。
• 参考スコア（独自算出の注目度）: 18.17410967913783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomolecular design underpins applications from molecular recognition to therapeutics and synthetic biology, yet de novo interaction design remains challenging-especially for DNA/RNA, underexplored non-protein modalities with scarce, heterogeneous complex data and sharper geometric and chemical constraints. We introduce MCTH (Monte Carlo Tree Hallucination), an inference-only framework that casts all-atom sequence-structure co-design as uncertainty-aware planning over hallucinated states from pretrained folding and inverse-folding models, with optional biophysical control within the same decision loop. MCTH treats these models as frozen black-box operators and uses Monte Carlo Tree Search to allocate a fixed inference budget across competing design trajectories, incorporating model confidence and uncertainty, as well as cross-expert consensus/disagreement when multiple predictors are available. Across protein-RNA, protein-DNA, protein-protein, and protein-ligand design, matched-budget experiments show that adaptive search improves over simpler sampling and cycling strategies, while held-out AlphaFold3 and Chai-1 evaluations demonstrate transfer beyond the search-time oracle. MCTH provides a shared planning layer across modalities while allowing task-specific folding, inverse-folding, and biophysical modules, requiring no fine-tuning or backpropagation through component models.
• Abstract（参考訳）: 分子設計は分子認識から治療、合成生物学への応用を支えているが、デノボ相互作用の設計は、特にDNA/RNAでは、不足した、不均一な複雑なデータとよりシャープな幾何学的および化学的な制約による、未探索の非タンパク質の修飾が困難なままである。 MCTH(Monte Carlo Tree Hallucination)は、全ての原子配列構造共設計を、事前訓練された折り畳みモデルと逆折り畳みモデルによる幻覚状態に対する不確実性を考慮した計画として、同じ決定ループ内で任意の生物物理制御を備えた推論のみのフレームワークである。 MCTHはこれらのモデルを冷凍ブラックボックス演算子として扱い、Monte Carlo Tree Searchを使用して、競合する設計軌道にまたがる固定推論予算を割り当て、モデルの信頼性と不確実性を取り入れ、また複数の予測器が利用可能である場合のクロスエキスパートのコンセンサス/診断を行う。 タンパク質-RNA、タンパク質-DNA、タンパク質-リガンド、タンパク質-リガンド設計の整合予算実験により、AlphaFold3とChai-1の評価は検索時オラクルを超える移動を示す一方、より単純なサンプリングとサイクリング戦略よりも適応的な探索が改善されることが示されている。 MCTHは、タスク固有の折り畳み、逆折り、生体物理モジュールを許容し、コンポーネントモデルによる微調整やバックプロパゲーションを必要としない、モジュール間の共有計画層を提供する。

関連論文リスト

• MIMIC: A Generative Multimodal Foundation Model for Biomolecules [33.78730863042891]
  新たにキュレートおよびアライメントされたデータセット LORE に基づいて学習した生成的マルチモーダル基盤モデルMIMICを提案する。 MIMICはスプリットトラックエンコーダ・デコーダアーキテクチャを使用して、観測されたモダリティの任意のサブセットを条件にしている。 MIMICはRNAとタンパク質下流モデリングタスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-27T14:10:01Z)
• 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)
• Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards [3.8025175740783026]
  生成モデリングはタンパク質研究の中心的なパラダイムとなっている。 この調査は、予測モデリングから信頼性の高い機能駆動タンパク質工学への移行を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-03-27T13:02:16Z)
• 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)
• Diffusion Models at the Drug Discovery Frontier: A Review on Generating Small Molecules versus Therapeutic Peptides [6.436002724512122]
  拡散モデルは、生成モデリングにおける主要なフレームワークとして現れている。 本総説は, 小分子と治療ペプチドの2つの主要な治療モダリティを設計する上で, それらの応用を体系的に比較したものである。 我々は、これらのモダリティ固有のギャップを埋めて、それらを自動でクローズドループなデザイン-ビルド-テスト-ラーンプラットフォームに統合することで、拡散モデルの完全な可能性を解き放つと結論付けた。
  論文  参考訳（メタデータ） (2025-10-31T19:11:41Z)
• Monte Carlo Tree Diffusion with Multiple Experts for Protein Design [50.056670856059014]
  マスク付き拡散モデルと木探索を統合したMCTD-MEを提案する。 自己回帰型プランナーとは異なり、MCTD-MEはロールアウトエンジンとして生物物理学的な拡散デノナイジングを使用している。 このフレームワークはモデルに依存しず、デノボタンパク質工学や多目的分子生成を含む逆フォールディングを越えて適用できる。
  論文  参考訳（メタデータ） (2025-09-19T09:24:42Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• Life-Code: Central Dogma Modeling with Multi-Omics Sequence Unification [55.98854157265578]
  Life-Codeは、様々な生物学的機能にまたがる包括的なフレームワークである。 本稿では、RNAを逆転写し、アミノ酸をヌクレオチド配列に変換することで、マルチオミクスデータを統合する統一パイプラインを提案する。 Life-Codeは3つのオミクスにまたがる様々なタスクの最先端の結果を達成し、マルチオミクス分析と解釈の進歩の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-11T06:53:59Z)
• 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)

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。