論文の概要: Condition aware learning enables robust prediction of oligonucleotide melting behavior across diverse chemistries and assay conditions

• arxiv url: http://arxiv.org/abs/2609.05454v1
• Date: Wed, 05 Aug 2026 22:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.481316
• Title: Condition aware learning enables robust prediction of oligonucleotide melting behavior across diverse chemistries and assay conditions
• Title（参考訳）: 条件対応学習は、多種多様な化学およびアッセイ条件におけるオリゴヌクレオチド融解挙動の堅牢な予測を可能にする
• Abstract要約: 条件対応ヌクレオチド言語モデルを用いて, 種々の実験条件におけるオリゴヌクレオチド融解挙動を正確に予測できることを示す。 このフレームワークは、ロックされた核酸修飾オリゴヌクレオチドの予測誤差を最大25%低減する。
• 参考スコア（独自算出の注目度）: 0.2748943480552702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Oligonucleotide melting temperature is a fundamental determinant of nucleic acid hybridization and underpins the design of molecular diagnostics, polymerase chain reaction assays, and many other biotechnology applications. However, accurately predicting melting behavior remains difficult because it depends not only on sequence composition, but also on experimental conditions and chemical modifications commonly used in modern assay design. Existing thermodynamic models rely on fixed parameterizations that are often difficult to extend across diverse reaction environments and nucleotide chemistries. Here we show that a condition-aware nucleotide language model can accurately predict oligonucleotide melting behavior across diverse experimental conditions and both unmodified and chemically modified oligonucleotides. By combining contextual sequence representations with explicit information describing the reaction environment, the framework achieves sub-degree prediction accuracy and reduces prediction error for locked nucleic acid-modified oligonucleotides by up to 25% relative to nearest-neighbor thermodynamic approaches. The model also more accurately captures the thermal effects introduced by nucleotide modification and maintains strong performance on independent benchmark datasets spanning experimental conditions substantially different from those represented during training. Our results demonstrate that learned sequence representations can complement classical thermodynamic models by capturing context-dependent effects that are difficult to encode using fixed parameter tables alone. More broadly, this work provides a scalable framework for predicting oligonucleotide melting behavior across diverse chemistries and assay conditions, supporting more reliable molecular assay design.
• Abstract（参考訳）: オリゴヌクレオチド融解温度は核酸のハイブリダイゼーションの基本的な決定因子であり、分子診断、ポリメラーゼ連鎖反応測定法、その他多くのバイオテクノロジーの応用の基盤となる。 しかし, 融解挙動の正確な予測は, シーケンス組成だけでなく, 実験条件や化学修飾にも依存するため, 依然として困難である。 既存の熱力学モデルは、様々な反応環境やヌクレオチドケミストリーにまたがる拡張が難しい固定パラメータ化に依存している。 ここでは, 条件対応ヌクレオチド言語モデルを用いて, 種々の実験条件および未修飾オリゴヌクレオチドおよび化学修飾オリゴヌクレオチドの融解挙動を正確に予測できることを示す。 このフレームワークは、文脈配列表現と反応環境を記述する明示的な情報を組み合わせることにより、下次予測精度を達成し、隣り合う熱力学的アプローチと比較して、ロックされた核酸修飾オリゴヌクレオチドの予測誤差を最大25%削減する。 このモデルは、ヌクレオチド修飾によってもたらされる熱効果をより正確に捉え、トレーニング中に表されるものとはかなり異なる実験条件にまたがる独立したベンチマークデータセット上で強い性能を維持する。 この結果から,固定パラメータテーブルだけでは符号化が困難である文脈依存効果を捉えることで,学習シーケンス表現が古典的熱力学モデルを補完できることが示唆された。 より広範に、この研究は様々な化学やアッセイ条件でオリゴヌクレオチドの融解挙動を予測するスケーラブルなフレームワークを提供し、より信頼性の高い分子アッセイ設計をサポートする。

関連論文リスト

• Differential Learning for Robust Prediction of Thermal Stability with Application to Energetic Materials [0.0]
  ニューラルネットワークをトレーニングして、分子のペア間の相対的な差異を予測する。 このアプローチは、系統的な実験誤差に対する感度を低下させ、温度安定性によってランキング化合物の85%の精度を達成する。 実験結果から,絶対値よりも相対特性を学習することが,ノイズのある実験データのモデリングに有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-08-24T22:28:56Z)
• DBMol: Design of High-Affinity, Target-Specific Small Molecules through Structure Prediction Models [45.51018046127832]
  小分子は承認された治療の大きな部分を占める。 構造予測の最近の進歩は、正確な生体分子相互作用予測を可能にする。 我々はDBMolを紹介した。DBMolはデノボ小分子設計のための新しい構造誘導フレームワークである。
  論文  参考訳（メタデータ） (2026-07-21T16:07:07Z)
• Confidence is the key: how conformal prediction enhances the generative design of permeable peptides [0.8149107671670839]
  本稿では,不確実性を考慮した透過性予測器を用いて,透過性環状ペプチドを設計するRL誘導型生成フレームワークを提案する。 予測の不確実性,特に新規化学の影響に対処するため,不確実性定量法として共形予測(CP)を統合した。
  論文  参考訳（メタデータ） (2026-05-07T07:01:45Z)
• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• Large-Scale Multi-omic Biosequence Transformers for Modeling Protein-Nucleic Acid Interactions [4.36852565205713]
  OmniBioTEは,250億以上のタンパク質と核酸を混合したトークンをトレーニングした,オープンソースのマルチオミックモデルである。 我々は,OmbiBioTEが与えられた核酸とタンパク質の結合相互作用のギブス自由エネルギーの変化を予測できることを示す。
  論文  参考訳（メタデータ） (2024-08-29T03:56:40Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• The Variational Method of Moments [65.91730154730905]
  条件モーメント問題は、観測可能量の観点から構造因果パラメータを記述するための強力な定式化である。 OWGMMの変動最小値再構成により、条件モーメント問題に対する非常に一般的な推定器のクラスを定義する。 同じ種類の変分変換に基づく統計的推測のためのアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-12-17T07:21:06Z)

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。