論文の概要: Advances in Machine Learning for Directed Evolution: A Five-Year Retrospective

• arxiv url: http://arxiv.org/abs/2609.03046v1
• Date: Wed, 02 Sep 2026 18:17:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.825346
• Title: Advances in Machine Learning for Directed Evolution: A Five-Year Retrospective
• Title（参考訳）: ダイレクト進化のための機械学習の進歩:5年間の振り返り
• Abstract要約: 機械学習支援指向進化(MLDE)研究者の目標と、より広い範囲における指向進化との切り離しが、主要な原因である、と私は主張する。 私は、現在のMLDE手法のほとんどすべてがDNA合成のコストを考慮せず、その結果、実用性に制限のある戦略を生み出している点を強調します。 この傾向の例外である最近の研究を議論し、ML支援タンパク質工学における過去5年間の取り組みとMLDE目標の所定の再編成は相互に排他的ではないことを強調した。
• 参考スコア（独自算出の注目度）: 0.8883733362171032
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The last five-plus years have seen many protein engineering disciplines transformed by advances in machine learning (ML), but the same cannot be said for directed evolution. Reflecting on a previously co-authored perspective, I discuss why I believe this to be the case, arguing that a disconnect between the goals of machine-learning-assisted directed evolution (MLDE) researchers--"identify an optimal protein"--and the goals of directed evolution more broadly--"identify a sufficient protein given time and resource constraints"--is a principal culprit. As an example, I highlight how nearly all current MLDE methods neglect to account for the cost of DNA synthesis, resulting in strategies that have limited practical applicability regardless of the underlying models' capabilities. I close by discussing recent works that are exceptions to this overarching trend, and emphasize that the last five years of efforts in ML-assisted protein engineering and the prescribed reframe of MLDE objectives need not be mutually exclusive.
• Abstract（参考訳）: 過去5年以上にわたり、機械学習(ML)の進歩によって多くのタンパク質工学の分野が変化してきたが、進化の方向性については同じことが言えない。 これまでに共著された見解を反映して、機械学習支援指向進化(MLDE)研究者の目標と「最適なタンパク質を同定する」こと、そして「与えられた時間と資源の制約を十分なタンパク質を同定する」ことが主要な原因であると主張する。 例えば、現在のMLDEメソッドのほとんどすべてが、DNA合成のコストを考慮せず、結果として、基礎となるモデルの能力に関係なく、実用的な適用性に制限のある戦略が導かれるかを強調します。 この傾向の例外である最近の研究を議論し、ML支援タンパク質工学における過去5年間の取り組みとMLDE目標の所定の再編成は相互に排他的ではないことを強調した。

関連論文リスト

• Teaching LLMs to Self-Evolve: Cultivating Core Meta-Skills with Reinforcement Learning [51.17262419591891]
  AlphaEvolveが示すように、環境フィードバックによる反復的自己進化によるテスト時間のスケーリングは、顕著なパフォーマンス向上を示している。 本稿では,データ合成パイプライン,進化対応強化学習,推論時進化探索によるメタスキル開発を目的としたMetaEvolveを提案する。
  論文  参考訳（メタデータ） (2026-07-24T04:35:29Z)
• MeEvo: Metacognitive Evolution Combined with Natural Evolution for Automatic Heuristic Design [17.812076497570157]
  自然進化とメタ認知進化を循環的に結合する2層自動ヒューリスティックデザインフレームワークであるMeEvoを提案する。 MeEvoは、特に複雑な制約のあるタスクにおいて、既存のLLMベースのAHDアーキテクチャよりも強く、より安定したパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-06-12T07:36:38Z)
• Towards A Generative Protein Evolution Machine with DPLM-Evo [73.57855006698269]
  本報告では,denoising中の置換,挿入,削除操作を明示的に予測する進化的離散拡散フレームワークDPLM-Evoについて述べる。 DPLM-Evoは、単一シーケンス設定におけるProteinGymのシーケンス理解と最先端の突然変異効果予測性能を改善した。
  論文  参考訳（メタデータ） (2026-04-30T19:59:07Z)
• A Survey on Post-training of Large Language Models [185.51013463503946]
  大規模言語モデル(LLM)は、自然言語処理を根本的に変革し、会話システムから科学的探索まで、さまざまな領域で欠かせないものにしている。 これらの課題は、制限された推論能力、倫理的不確実性、最適なドメイン固有のパフォーマンスといった欠点に対処するために、先進的な訓練後言語モデル(PoLM)を必要とする。 本稿では,タスク固有の精度を向上するファインチューニング,倫理的コヒーレンスと人間の嗜好との整合性を保証するアライメント,報酬設計の課題によらず多段階の推論を進める推論,統合と適応の5つのパラダイムを体系的に追跡したPoLMの総合的な調査について述べる。
  論文  参考訳（メタデータ） (2025-03-08T05:41:42Z)
• Computational Protein Science in the Era of Large Language Models (LLMs) [54.35488233989787]
  計算タンパク質科学(Computational protein science)は、タンパク質配列構造-機能パラダイムにおける知識を明らかにすること、および応用を開発することを目的としている。 最近、言語モデル (Language Models, PLM) は、前例のない言語処理と一般化能力のために、AIのマイルストーンとして登場した。
  論文  参考訳（メタデータ） (2025-01-17T16:21:18Z)
• Open-Source Protein Language Models for Function Prediction and Protein Design [0.0]
  タンパク質言語モデル(PLM)は、タンパク質配列の理解を改善することを約束しており、機能予測やタンパク質工学などの分野の発展に寄与している。 我々はPLMを、計算生物学と化学のためのオープンソースのフレームワークであるDeepChemに統合し、タンパク質関連のタスクのためのよりアクセスしやすいプラットフォームを提供する。 各種タンパク質予測タスクにおける統合モデルの性能評価を行い,ベンチマーク間で妥当な結果が得られることを示した。
  論文  参考訳（メタデータ） (2024-12-18T05:41:15Z)
• A Survey on Self-Evolution of Large Language Models [116.54238664264928]
  大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。 この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
  論文  参考訳（メタデータ） (2024-04-22T17:43:23Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• Mathematics-assisted directed evolution and protein engineering [0.913755431537592]
  巨大な突然変異空間のため、タンパク質ライブラリー全体の深い突然変異スキャンを実行することは実験的に不可能である。 これにより、AI支援指向進化(AIDE)やAI支援タンパク質工学(AIPE)が、新たな研究分野として急速に成長した。 我々は、永続的なラプラシアン、永続的なパスラプラシアン、永続的な層ラプラシアン、永続的なハイパーグラフラプラシアン、永続的なハイパーディグラフラプラシアン、進化的ド・ラム=ホッジ理論を含む永続的なトポロジカルラプラシアン(PTL)のクラスが、この制限を効果的に克服できると主張している。
  論文  参考訳（メタデータ） (2023-06-06T19:27:11Z)
• Plug & Play Directed Evolution of Proteins with Gradient-based Discrete MCMC [1.0499611180329804]
  機械学習ベースのタンパク質工学の長年の目標は、新しい突然変異の発見を加速することである。 本稿では,シリコにおけるタンパク質の進化のためのサンプリングフレームワークについて紹介する。 これらのモデルを構成することで、未知の突然変異を評価し、機能的タンパク質を含む可能性のある配列空間の領域を探索する能力を向上させることを目指している。
  論文  参考訳（メタデータ） (2022-12-20T00:26:23Z)

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。