論文の概要: PepLLM: ESM-Guided Llama for Structured Protein-Peptide Binding Interface Analysis

• arxiv url: http://arxiv.org/abs/2608.21367v1
• Date: Thu, 18 Jun 2026 08:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.313605
• Title: PepLLM: ESM-Guided Llama for Structured Protein-Peptide Binding Interface Analysis
• Title（参考訳）: PepLLM: ESM-Guided Llama for Structured Protein-Peptide Binding Interface Analysis
• Abstract要約: textbfPepLLMは構造的タンパク質-ペプチド界面理解のための命令調整フレームワークである。 PepLLMは、ペプチドの埋没状態、水素結合密度、塩橋の存在、ホットスポット残基、疎水性、静電気的相補性など、複数の界面特性を記述する機械分割アノテーションを生成する。 PepLLMは、シングルラベルの予測を超えて、マルチプロパタイズとメカニズム認識生成へと移行することで、タンパク質-ペプチドインターフェース分析のための新しいタスクとモデリングパラダイムを確立している。
• 参考スコア（独自算出の注目度）: 16.11525464623603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein-peptide interactions are central to cellular regulation and peptide-based drug discovery, yet existing computational methods mainly focus on interaction classification, binding-site prediction, or peptide binder generation. These formulations provide limited insight into the physicochemical mechanisms that determine how a peptide binds to a protein. In this work, we introduce \textbf{PepLLM}, an instruction-tuned framework for structured protein-peptide interface understanding. Given protein-peptide sequences, PepLLM generates a machine-readable JSON annotation describing multiple interface properties, including peptide burial state, hydrogen-bond density, salt-bridge presence, hotspot residues, hydrophobicity, and electrostatic complementarity. To support this task, we construct a new protein-peptide interface dataset by integrating structural interface analysis, solvent-accessible surface area computation, hydrophobic burial estimation, electrostatic potential calculation, and redundancy-aware data splitting. PepLLM connects a pretrained ESM encoder with a LLaMA decoder through a nonlinear modality adapter. The adapted ESM residue embeddings are injected into the LLaMA prompt as continuous soft tokens via placeholder-token replacement, enabling the decoder to generate structured interface annotations under instruction tuning. By moving beyond single-label prediction toward multi-property and mechanism-aware generation, PepLLM establishes a new task and modeling paradigm for interpretable protein-peptide interface analysis.
• Abstract（参考訳）: タンパク質-ペプチド相互作用は、細胞調節とペプチドベースの薬物発見の中心であるが、既存の計算手法は主に相互作用の分類、結合部位の予測、ペプチド結合体の生成に焦点を当てている。 これらの定式化は、ペプチドがタンパク質にどのように結合するかを決定する物理化学的メカニズムに関する限られた洞察を与える。 本研究では,構造されたタンパク質-ペプチド界面理解のための命令調整フレームワークである \textbf{PepLLM} を紹介する。 ペプチド配列が与えられた後、PepLLMは、ペプチドの埋没状態、水素結合密度、塩橋の存在、ホットスポット残基、疎水性、静電気的相補性など、複数の界面特性を記述する機械可読JSONアノテーションを生成する。 この課題を支援するために, 構造解析, 溶媒可溶性表面積計算, 疎水性埋没推定, 静電ポテンシャル計算, 冗長性認識データ分割を統合した新しいタンパク質-ペプチドインターフェースデータセットを構築した。 PepLLMは、トレーニング済みのESMエンコーダとLLaMAデコーダを非線形モダリティアダプタを介して接続する。 適応されたESM残基の埋め込みは、プレースホルダー・トーケン置換によって連続したソフトトークンとしてLLaMAプロンプトに注入され、デコーダは命令チューニングの下で構造化インターフェイスアノテーションを生成することができる。 PepLLMは、シングルラベルの予測を超えて、マルチプロパティとメカニズム認識生成へと移行することで、タンパク質-ペプチドインターフェース分析のための新しいタスクとモデリングパラダイムを確立している。

関連論文リスト

• An Interpretable Framework Applying Protein Words to Predict Protein-Small Molecule Complementary Pairing Rules [1.0775419935941009]
  我々は,タンパク質-小分子結合予測の解釈可能性を向上させる枠組みを開発する。 PWRulesは、特権化された小さな分子断片を特定するために結合親和性データを適用している。 次に、これらの断片とタンパク質の単語間の相補的なペアリングルールを定義する。 結果として生じるワードフラグメント規則は、活性化合物を優先するPWScore関数によってランク付けされる。
  論文  参考訳（メタデータ） (2026-04-17T06:56:00Z)
• GeoPep: A geometry-aware masked language model for protein-peptide binding site prediction [4.517623379283838]
  ペプチド結合サイト予測のための新しいフレームワークであるGeoPepを紹介する。 GeoPepファインチューンESM3のタンパク質-タンパク質結合からの豊富な事前学習表現は、タンパク質-ペプチド結合データの限られた可用性に対処する。
  論文  参考訳（メタデータ） (2025-10-30T22:58:02Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Beyond Simple Concatenation: Fairly Assessing PLM Architectures for Multi-Chain Protein-Protein Interactions Prediction [0.2509487459755192]
  タンパク質とタンパク質の相互作用 (PPIs) は、多くの細胞プロセスの基礎である。 PLMはタンパク質の構造と機能を予測するのに顕著な成功を収めた。 シークエンスベースのPPI結合親和性予測への応用は、いまだに未検討である。
  論文  参考訳（メタデータ） (2025-05-26T14:23:08Z)
• MeToken: Uniform Micro-environment Token Boosts Post-Translational Modification Prediction [65.33218256339151]
  翻訳後修飾(PTM)はプロテオームの複雑さと機能を大幅に拡張する。 既存の計算手法は主に、配列依存的なモチーフの認識によって引き起こされる、PTM部位を予測するタンパク質配列に焦点を当てている。 本稿では,各酸のマイクロ環境をトークン化し,シーケンス情報と構造情報を統一された離散トークンに統合するMeTokenモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-04T07:14:28Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• Improving Protein-peptide Interface Predictions in the Low Data Regime [0.0]
  本稿では,バイモーダルトランスを用いたタンパク質-ペプチド相互作用の予測手法を提案する。 界面残基-残基相互作用の分布は界面残基-残基相互作用と重なり合うことを示す。 このデータ拡張により、PepBDBで利用可能な膨大な量のタンパク質のみのデータを活用して、ニューラルネットワークをトレーニングできます。
  論文  参考訳（メタデータ） (2023-05-31T17:04:27Z)
• 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)
• DIPS-Plus: The Enhanced Database of Interacting Protein Structures for Interface Prediction [2.697420611471228]
  DIPS-Plusはタンパク質界面の幾何学的深層学習のための42,112複合体の強化された機能豊富なデータセットである。 DIPSの以前のバージョンは、与えられたタンパク質複合体を構成する原子のカルテシアン座標とタイプのみを含む。 DIPS-Plusには、プロテクション指標、半球アミノ酸組成、および各アミノ酸に対する新しいプロファイル隠れマルコフモデル(HMM)ベースの配列機能を含む、新しい残基レベルの特徴が多数含まれている。
  論文  参考訳（メタデータ） (2021-06-06T23:56:27Z)

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。