論文の概要: Novel hybrid protein scaffold gap filling using weighted machine learning ensemble, beam search, and mass-constrained reranking

• arxiv url: http://arxiv.org/abs/2609.05436v1
• Date: Thu, 16 Jul 2026 11:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.472577
• Title: Novel hybrid protein scaffold gap filling using weighted machine learning ensemble, beam search, and mass-constrained reranking
• Title（参考訳）: 重み付き機械学習アンサンブル、ビームサーチ、質量制限された再ランクを用いた新しいハイブリッドタンパク質足場ギャップ充填
• Abstract要約: 本研究では,タンパク質足場間隙埋め合わせのためのハイブリッド機械学習とマス制約付きリグレードフレームワークを提案する。 提案されたフレームワークは、95.41%の残差レベルの検証精度、87.50%の既知の精度、および7つのCAH2既知の質量ベンチマークケースで100%のトップ5回復を達成した。
• 参考スコア（独自算出の注目度）: 0.8757308120902975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein scaffold gap filling is an important computational task in protein sequence reconstruction, where missing amino acid regions must be inferred from incomplete scaffold information. This study proposes a hybrid machine learning and mass constrained reranking framework for protein scaffold gap filling under known-gap-size and known-gapmass settings. Homologous protein sequences from MabCampath, P5A proteoform, and carbonic anhydrase 2 were used to generate masked 11-mer residue-level samples and fullgap evaluation cases. The residue prediction task was formulated as a 20-class amino acid classification problem using first-, middle-, and last-position masking. Multiple classical machine learning models were trained using raw encoded, row-average, and SVD-reduced features, and the strongest models were combined through a validation-accuracy-weighted ensemble. For known-size gap reconstruction, beam search was used to generate complete missing peptide sequences from residue-level probability estimates. For known-mass reconstruction, mass-constrained homologous candidate retrieval was combined with hybrid reranking based on mass validity, homologous frequency, context support, ensemble likelihood, mass error, and length penalty. The proposed framework achieved 95.41% residue-level validation accuracy, 87.50% known-size exact-match accuracy, and 100% top-5 recovery on seven CAH2 known-mass benchmark cases. These results indicate that the proposed framework can effectively reconstruct missing protein regions by integrating local sequence learning, homologous evidence, peptide mass constraints, and biochemical validation.
• Abstract（参考訳）: タンパク質の足場ギャップの埋め合わせは、不完全な足場情報から欠落するアミノ酸領域を推測しなければならないタンパク質配列再構成において重要な計算課題である。 本研究は、既知のギャップサイズおよび既知のギャップマス設定下でのタンパク質足場ギャップ充填のためのハイブリッド機械学習とマス制約付きリグレードフレームワークを提案する。 MabCampath, P5A proteoform, およびCarbonic anhydrase 2の同種タンパク質配列を用いて, マスクした11-mer残基レベル試料とフルギャップ評価ケースを作製した。 残基予測タスクは,第1位,中位,最終位のマスキングを用いて20級アミノ酸分類問題として定式化した。 複数の古典的機械学習モデルは、生のエンコード、行平均、SVDの再現された特徴を用いて訓練され、最強のモデルは検証精度の重み付けによって組み合わせられた。 既知のギャップ再構成では、残差レベルの推定値から完全な欠失ペプチド配列を生成するためにビームサーチが用いられた。 既知質量再構成では, マス適合性, ホモログ頻度, コンテキストサポート, アンサンブル確率, 質量誤差, 長さペナルティに基づいて, マス制約付きホモログ候補検索とハイブリッドリランクを併用した。 提案されたフレームワークは、95.41%の残差レベルの検証精度、87.50%の既知の精度、および7つのCAH2既知の質量ベンチマークケースで100%のトップ5回復を達成した。 提案手法は, 局所的な配列学習, 相同性エビデンス, ペプチドマスの制約, 生化学的検証を統合することで, 欠失タンパク質領域を効果的に再構築できることが示唆された。

関連論文リスト

• VESTIGE: A Knowledge-Guided Masking Strategy for Corruption-Aware Fine-Tuning of Genomic Transformers, Validated on Ancient DNA Reconstruction [0.0]
  Masked-- model fine-tuning は、再構成の難しさが位置に依存しないとして、トークン位置毎に均一なマスキング確率を適用する。 本稿では,パラメータフリーでドロップイン可能な標準コレータであるVESTIGEを紹介した。
  論文  参考訳（メタデータ） (2026-07-30T05:47:47Z)
• Low-Magnification SEM May Suffice: Interpretable Deep Learning for Multi-Scale Fracture-Cause Classification in Zirconia-Toughened Alumina [0.0]
  アルミナ基複合材料の破壊原因の自動分類のための解釈型視覚変換器(ViT)ワークフローを提案する。 8,493枚のSEM画像(50x-10,000x)のデータセットを,5年間のインプロダクションバーストおよび実証試験から算出した。 ViTの精度は0.907、マクロF1は0.888であった。
  論文  参考訳（メタデータ） (2026-05-28T11:47:20Z)
• Accurate de novo sequencing of the modified proteome with OmniNovo [39.43336836259004]
  タンデム質量スペクトルから直接ペプチドの参照なしシークエンシングのための統合ディープラーニングフレームワークであるOmniNovoを紹介する。 オムニノヴォは、質量制限された復号アルゴリズムと厳密な偽発見率の推定を統合することで、最先端の精度を達成し、1%の偽発見率で標準アプローチよりも51%多くのペプチドを同定する。 重要なことに、このモデルは、トレーニング中に見えない生物の部位に一般化し、プロテオームの暗黒物質を照らし、細胞制御の偏りのない包括的解析を可能にする。
  論文  参考訳（メタデータ） (2025-12-13T10:27:14Z)
• 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)
• Diffusion Model with Representation Alignment for Protein Inverse Folding [53.139837825588614]
  タンパク質逆フォールディングはバイオインフォマティクスの基本的な問題であり、与えられたタンパク質のバックボーン構造からアミノ酸配列を復元することを目的としている。 表現アライメント(DMRA)を用いた拡散モデルを用いた新しい手法を提案する。 実験では,CATH4.2データセットを広範囲に評価し,DMRAが先行手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-12T15:47:59Z)
• Peptide Sequencing Via Protein Language Models [0.0]
  アミノ酸の限られた配列の測定に基づいてペプチドの完全配列を決定するためのタンパク質言語モデルを提案する。 本手法は, 特定が困難であるアミノ酸を選択的にマスキングすることにより, 部分的シークエンシングデータをシミュレートする。 アミノ酸が4つしか知られていない場合、アミノ酸当たりの精度は90.5%に達する。
  論文  参考訳（メタデータ） (2024-08-01T20:12:49Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• AdaNovo: Adaptive \emph{De Novo} Peptide Sequencing with Conditional Mutual Information [46.23980841020632]
  本稿では,各アミノ酸/ペプチド間の条件付き相互情報(CMI)を計算する新しいフレームワークであるAdaNovoを提案する。 AdaNovoは翻訳後修飾(PTM)によるアミノ酸の同定に優れ、データノイズに対する堅牢性を示す。
  論文  参考訳（メタデータ） (2024-03-09T11:54:58Z)
• 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)

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。