論文の概要: SymFold: Synergizing Evolutionary and Structural Priors for Accurate Protein Inverse Folding
- arxiv url: http://arxiv.org/abs/2609.01353v1
- Date: Tue, 01 Sep 2026 14:57:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.78511
- Title: SymFold: Synergizing Evolutionary and Structural Priors for Accurate Protein Inverse Folding
- Title（参考訳）: SymFold: 正確なタンパク質逆フォールディングのための進化的および構造的優先事項の相乗化
- Authors: Handong Wang, Jiaxin Qi, Baisheng Lai, Jianqiang Huang,
- Abstract要約: タンパク質逆フォールディングは、与えられた3Dタンパク質構造のアミノ酸配列を復元することを目的としている。
現在の手法は、しばしばシリアルパイプラインに従い、構造エンコーダは粗いシーケンスを予測し、その後タンパク質言語モデル(PLM)によって洗練される。
近年のマルチモーダルタンパク質言語モデル (MPLM) により、構造をコード化し、事前訓練された構造知識を持つ配列を生成することができるが、逆フォールディングには有効ではない。
本稿では,タンパク質配列生成を反復的に導くために,事前学習された配列進化知識にPLM,事前学習された構造知識にMPLMを利用する対称二重経路アーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 30.025725962157498
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Protein inverse folding aims to recover amino acid sequences for a given 3D protein structure, underpinning broad applications such as enzyme engineering and drug discovery.Current methods often follow a serial pipeline, in which a structure encoder predicts a coarse sequence, which is then refined by protein language models (PLMs). However, because PLMs only perform post-hoc sequence edits, the refinement is bounded by the quality of upstream predictions.Thanks to recent multimodal protein language models (MPLMs), we could directly encode structure to generate sequences with pretrained structural knowledge, but we observe that they are not effective for inverse folding. Therefore, we introduce a symmetric dual-path architecture that both leverages PLMs for pretrained sequence evolution knowledge and MPLMs for pretrained structural knowledge to iteratively guide protein sequence generation.Through extensive experiments across standard protein inverse folding benchmarks, our method achieves state-of-the-art performance, surpassing prior approaches, and ablation studies validate the rationale of our symmetric design, revealing a promising direction for the community.
- Abstract（参考訳）: タンパク質逆フォールディングは、与えられた3Dタンパク質構造のアミノ酸配列を復元することを目的としており、酵素工学や薬物発見などの幅広い応用を基盤としており、しばしば、構造エンコーダが粗い配列を予測し、タンパク質言語モデル(PLM)によって洗練されるシリアルパイプラインに追従する。
しかし, PLM はポストホック配列の編集のみを行うため, アップストリーム予測の品質に左右される。最近のマルチモーダルタンパク質言語モデル (MPLM) のおかげで, 構造をコード化して事前訓練された構造知識を持つ配列を生成することができたが, 逆フォールディングには有効ではない。
そこで本研究では, タンパク質配列生成を反復的に導くために, PLMを事前学習した配列進化知識とMPLMを併用し, タンパク質配列生成を反復的に誘導する対称二重経路アーキテクチャを提案する。
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) - SpecMER: Fast Protein Generation with K-mer Guided Speculative Decoding [0.0]
SpecMER (Speculative Decoding via k-mer Guidance) は、生物学的、構造的、機能的な事前を組み込んだ新しいフレームワークである。
通常の自己回帰復号よりも24～32%のスピードアップを実現し、高い受容率と改善されたシーケンス確率を実現している。
論文 参考訳（メタデータ） (2025-09-25T23:26:04Z) - Protein Inverse Folding From Structure Feedback [78.27854221882572]
本稿では,タンパク質の折りたたみモデルからのフィードバックを用いて,逆折りたたみモデルを微調整する手法を提案する。
CATH 4.2 テストセットの結果,DPO の微調整により平均 TM-Score が大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-06-03T16:02:12Z) - SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。
アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。
大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文 参考訳（メタデータ） (2024-10-31T15:22:03Z) - Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。
pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。
実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2023-02-03T10:49:52Z) - Protein Sequence and Structure Co-Design with Equivariant Translation [19.816174223173494]
既存のアプローチは自己回帰モデルまたは拡散モデルを用いてタンパク質配列と構造の両方を生成する。
本稿では,タンパク質配列と構造共設計が可能な新しいアプローチを提案する。
我々のモデルは、幾何学的制約と文脈特徴からの相互作用を推論する三角法を意識したエンコーダで構成されている。
全てのタンパク質アミノ酸は翻訳工程で1ショットずつ更新され、推論プロセスが大幅に加速される。
論文 参考訳（メタデータ） (2022-10-17T06:00:12Z) - AlphaFold Distillation for Protein Design [25.190210443632825]
逆タンパク質の折りたたみはバイオエンジニアリングと薬物発見に不可欠である。
AlphaFoldのような前方の折りたたみモデルは、シーケンスから構造を正確に予測することで潜在的な解決策を提供する。
本稿では, 折り畳みモデルの信頼性測定値に対する知識蒸留を用いて, より高速かつエンドツーエンドの識別可能な蒸留モデルを作成することを提案する。
論文 参考訳（メタデータ） (2022-10-05T19:43:06Z) - 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) - Unsupervisedly Prompting AlphaFold2 for Few-Shot Learning of Accurate
Folding Landscape and Protein Structure Prediction [28.630603355510324]
そこで我々は,メタ生成モデルであるEvoGenを提案し,貧弱なMSAターゲットに対するAlphaFold2のアンダーパフォーマンスを改善する。
EvoGenは、キャリブレーションまたは実質的に生成されたホモログシーケンスでモデルにプロンプトすることで、AlphaFold2を低データで正確に折り畳むのに役立つ。
論文 参考訳（メタデータ） (2022-08-20T10:23:17Z) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳（メタデータ） (2021-05-11T03:40:29Z)
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。