論文の概要: Natural-Language-Guided Generator-Agnostic Shortlisting for Protein Binder Design

• arxiv url: http://arxiv.org/abs/2608.20755v1
• Date: Fri, 21 Aug 2026 05:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.408963
• Title: Natural-Language-Guided Generator-Agnostic Shortlisting for Protein Binder Design
• Title（参考訳）: タンパク質結合設計のための自然洗浄誘導発電機非依存的ショートリスト作成
• Abstract要約: 現代のde novo設計は、多くの候補タンパク質結合体を生成するが、湿式検証能力は限られている。 LLMが事前計算された構造信頼度とインタフェース品質のプロキシスコアからマルチメトリックランキングポリシーを生成できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 16.443448156662644
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern de novo design workflows generate many candidate protein binders, but wet-lab validation capacity remains limited, making shortlisting a major bottleneck. We study whether LLMs can generate multi-metric ranking policies from precomputed structural-confidence and interface-quality proxy scores. Rather than proposing a new protein binder design pipeline, we focus on post-generation binder shortlisting: selecting the final top-K candidates from already generated binder pools using a shared panel of precomputed proxy scores. On the 10-target held-out split, averaging performance over five sampled global iterative gpt-4o policies reaches 0.589 Recall@10, modestly improving over the strongest single-feature fixed baseline, Protenix binder ipTM, which reaches 0.571 Recall@10. On the 3-target held-out subset comprising Nipah, RBX1, and TREM2, target-conditioned iterative gpt-5.4 policies reach the strongest LLM performance, with 0.519 Recall@10 and 0.583 NDCG@10. These results suggest that LLM-generated ranking policies can act as an interpretable post-generation decision layer for combining heterogeneous proxy metrics to prioritize binders from large candidate pools.
• Abstract（参考訳）: 現代のde novo設計ワークフローは多くの候補タンパク質バインダーを生成するが、ウェットラブ検証能力は限定的であり、ショートリストのボトルネックとなっている。 LLMが事前計算された構造信頼度とインタフェース品質のプロキシスコアからマルチメトリックランキングポリシーを生成できるかどうかを検討する。 新しいタンパク質バインダー設計パイプラインを提案する代わりに、我々は、ポストジェネレーションのバインダーショートリストに焦点をあてる: プリ計算されたプロキシスコアの共有パネルを使用して、既に生成されたバインダープールから最終トップK候補を選択する。 10ターゲットのホールドアウトスプリットでは,5つのグローバル反復gpt-4oポリシの平均的なパフォーマンスが0.589 Recall@10に達し,最強の単一機能固定ベースラインであるProtenix binder ipTMが0.571 Recall@10に達した。 Nipah, RBX1, TREM2からなる3つのターゲットホールドアウトサブセットでは, 目標条件付き反復gpt-5.4ポリシーが0.519 Recall@10, 0.583 NDCG@10で最強のLLM性能に達する。 これらの結果は,LLMが生成したランキングポリシが,異種プロキシメトリクスを組み合わせて大きな候補プールからバインダーを優先順位付けするための解釈可能なポストジェネレーション決定層として機能することを示唆している。

関連論文リスト

• Retrieval, Scoring, and Decoding Shape Performance and Stability in LLM-based Conversational Recommendation [0.7874708385247353]
  大型言語モデル (LLM) はレコメンデーターシステムにおいてリランカーとして使われることが多い。 プロプライエタリ,オープンウェイト,微調整のLLMリランカと協調フィルタリング,シーケンシャルベースラインを比較した。 強力なプロプライエタリなリランカーにとって、セマンティックからコラボレーティブなフィルタリング候補への切り替えは、NDCG@10を50%以上引き上げる。
  論文  参考訳（メタデータ） (2026-08-31T10:54:20Z)
• RouteRec: Strict Evaluation of Recommender-Agent Selection and Aggregation [4.548136909830987]
  RouteRecは、要求レベルのハードセレクションとアイテムレベルの学習アグリゲーションを比較するフレームワークである。 MovieLens-1Mでは、フルクオリティのオラクルには相当なヘッドルーム(HR@10 = 0.584)がある。 結果として得られる教訓は、ルーティングが解決されるのではなく、アイテムレベルの集約がより有望なアクション空間であるということだ。
  論文  参考訳（メタデータ） (2026-07-10T18:58:52Z)
• RASC+: Retrieval-Constrained LLM Adjudication for Clinical Value Set Authoring [1.066048003460524]
  臨床コードは大きく、バージョン管理されており、言語モデルによって確実に記憶されていない。 本研究では,候補プール構築をリコールに最適化し,制約付きLLM適応器を候補選択に最適化するステージワイズ方式を提案する。
  論文  参考訳（メタデータ） (2026-06-22T22:51:22Z)
• Mult-DPO: Multinomial Direct Preference Optimization for Recommender Systems [72.27018654934386]
  直接選好最適化(DPO)は、ペアの選好に基づく大規模言語モデル(LLM)の簡易かつ効果的なアライメント戦略である。 しかし、レコメンデーションシステムでは、ユーザからのフィードバックがペアワイズであることは滅多にない。 提案するMult-DPOは,LLMベースのレコメンデータシステムのユーザ嗜好アライメントのための,設定された選好イベントに対するトラクタブルな多項サロゲート確率である。
  論文  参考訳（メタデータ） (2026-06-08T18:53:45Z)
• Stochastic MeanFlow Policies: One-Step Generative Control with Entropic Mirror Descent [53.828537014796574]
  オンラインの非政治強化学習(RL)は、ポリシークラスと更新ルールの2つの選択肢によって構成されている。 我々は、MeanFlow変換を通じてノイズをアクションにマッピングする一段階生成ポリシークラスであるMeanFlow Policiesを提案する。 7つのMuJoCoベンチマークで、Sは1ステップの推論効率を維持しながら、ガウスおよび生成ベースラインを改善する。
  論文  参考訳（メタデータ） (2026-05-20T15:14:14Z)
• F-GRPO: Factorized Group-Relative Policy Optimization for Unified Candidate Generation and Ranking [79.49893545611779]
  大規模言語モデル(LLM)はサブセットを生成し、それを1つの自己回帰パス内で順序付けることができる。 この柔軟性は、新しい最適化課題をもたらす: モデルが出力空間を検索し、完全なランクリストが生成された後にのみユーティリティフィードバックを受けなければならない。 このクレジット割り当てギャップは、エンドツーエンドの最適化を不安定にし、サンプル非効率にする。 本稿では,単一自己回帰的ロールアウト内の両方を実行する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-13T04:52:33Z)
• Rank-GRPO: Training LLM-based Conversational Recommender Systems with Reinforcement Learning [70.6126069527741]
  ConvRec-R1は会話レコメンデーションシステムのエンドツーエンドトレーニングのための2段階のフレームワークである。 ステージ1では,Remap-Reflect-Adjustパイプラインを用いた行動閉鎖データセットを構築した。 ステージ2では,グループ相対政策最適化の原則的拡張である Rank-GRPO を提案する。
  論文  参考訳（メタデータ） (2025-10-23T02:56:00Z)
• RIDE: Enhancing Large Language Model Alignment through Restyled In-Context Learning Demonstration Exemplars [57.6513924960128]
  調整調整は、大きな言語モデル(LLM)が倫理的かつ有用な振る舞いを確実にするために不可欠である。 本稿では,LLMアライメントを向上させるために,ICL(In-context Learning)を用いた低コストでチューニング不要な手法を提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:16:19Z)
• Large Language Models are Effective Text Rankers with Pairwise Ranking Prompting [65.00288634420812]
  Pairwise Ranking Prompting (PRP)は、大規模言語モデル(LLM)の負担を大幅に軽減する手法である。 本研究は,中等級のオープンソースLCMを用いた標準ベンチマークにおいて,最先端のランク付け性能を達成した文献としては初めてである。
  論文  参考訳（メタデータ） (2023-06-30T11:32:25Z)

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。