論文の概要: TorchCraft: Unified binder design by inverting an all-atom structure predictor
- arxiv url: http://arxiv.org/abs/2609.19770v1
- Date: Thu, 17 Sep 2026 06:37:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.12495
- Title: TorchCraft: Unified binder design by inverting an all-atom structure predictor
- Title（参考訳）: TorchCraft: 全原子構造予測器の反転による統一バインダー設計
- Abstract要約: TorchCraftは統合バインダー設計フレームワークである。
信頼、接触、幾何学、および順序優先の目的を結合する。
TorchCraftは、予測を複数のバインダーフォーマットと分子コンテキストに拡張する。
- 参考スコア（独自算出の注目度）: 8.451084437864244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: All-atom structure predictors model diverse molecular interactions, but using their learned structural priors for binder design remains challenging. Here we present TorchCraft, a unified binder-design framework that optimizes sequence logits through a frozen all-atom predictor. Implemented in TorchFold, TorchCraft combines confidence, contact, geometric, and sequence-prior objectives within a shared optimization procedure for minibinders, framework-conditioned VHHs, cyclic peptides, and ligand-binding proteins. Using pretrained AlphaFold 3 weights, TorchCraft generated representative minibinders and VHHs with experimentally measured binding across four targets in each format, without post hoc sequence redesign. Computational benchmarks further demonstrated the framework's applicability to cyclic peptides and ligand-conditioned pocket design. TorchCraft extends predictor inversion to multiple binder formats and molecular contexts, providing a common framework for reusing all-atom structural priors in design.
- Abstract（参考訳）: 全原子構造予測器は多様な分子相互作用をモデル化するが、その構造的先行性を用いてバインダー設計を行うことは依然として困難である。
ここでは、凍結された全原子予測器を通じてシーケンスロジットを最適化する統合バインダ設計フレームワークであるTorchCraftを紹介する。
TorchCraftはTorchFoldで実装され、ミニバインダー、フレームワーク条件のVHH、環状ペプチド、リガンド結合タンパク質の共有最適化手順において、信頼性、接触性、幾何学的および配列優先の目的を組み合わせている。
事前訓練されたAlphaFold 3重みを使用して、TorchCraftは4つのターゲット間で実験的に測定された結合を持つ代表用ミニバインダーとVHHを、ポストホックシーケンスの再設計なしで生成した。
計算ベンチマークにより、このフレームワークは環状ペプチドやリガンド条件のポケットデザインにも適用可能であることが示された。
TorchCraftは、予測子を複数のバインダーフォーマットや分子コンテキストに変換し、設計において全原子構造を再利用するための共通のフレームワークを提供する。
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) - A Study of Adaptive Modeling Towards Robust Generalization [14.00955228748485]
我々は,構造トークンを適応的にスケーリングしながら,幾何学的情報に基づく言語推論を基盤とする,統一された全原子フレームワークを提案する。
様々な全原子のベンチマークにおいて、提案手法は不均一な構造的推論において一貫した利得をもたらす。
論文 参考訳（メタデータ） (2026-02-02T20:35:44Z) - PepEDiff: Zero-Shot Peptide Binder Design via Protein Embedding Diffusion [3.9876702935151225]
本稿では、標的受容体タンパク質配列とそのポケット残基の結合配列を設計する新規ペプチドバインダージェネレータであるPepediffを紹介する。
本手法は, 予め訓練されたタンパク質の埋め込みモデルから導かれる連続潜伏空間において, バインダー配列を直接生成することによって既存の手法から逸脱する。
その単純さにもかかわらず、ベンチマークテストやTIGITケーススタディにおいて、我々の手法は最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2026-01-19T19:07:32Z) - AutoBinder Agent: An MCP-Based Agent for End-to-End Protein Binder Design [8.190052071911001]
本稿では,Large Language Model (LLM) と Model Context Protocol (MCP) を利用したエージェント的エンドツーエンドドラッグデザインフレームワークを提案する。
このシステムは、幾何学的深層学習に基づくタンパク質サイト相互作用部位の同定のためのMaSIF、タンパク質の断片をタンパク質のバックボーンに移植するためのRosetta、アミノ酸配列のためのProteinMPNN、複雑な構造予測のためのAlphaFold3の4つの最先端コンポーネントを統合している。
論文 参考訳（メタデータ） (2026-01-16T08:57:03Z) - Contrastive Geometric Learning Unlocks Unified Structure- and Ligand-Based Drug Design [8.578932742190862]
統一医薬品設計のためのコントラスト幾何学学習(ConGLUDe)について紹介する。
ConGLUDeは予測された構造とリガンドベースのトレーニングを統合する。
仮想スクリーニングと標的漁業をサポートし、タンパク質-リガンド複合体と大規模生物活性データで共同で訓練されている。
論文 参考訳（メタデータ） (2026-01-14T18:45:08Z) - Triangle Multiplication Is All You Need For Biomolecular Structure Representations [56.26342479807906]
Pairmixerは三角形の注意をなくし、高階の幾何学的推論能力を保っている。
Pairmixerは計算効率を大幅に改善し、折りたたみおよびドッキングベンチマーク間の最先端構造予測器をマッチングする。
例えば、BoltzDesign内では、Pairmixerは2倍以上高速なサンプリングと、Pairformerのメモリ限界よりも30%長いシーケンスへのスケールを提供する。
論文 参考訳（メタデータ） (2025-10-21T17:59:02Z) - RFL: Simplifying Chemical Structure Recognition with Ring-Free Language [66.47173094346115]
化学構造を階層的に記述する新しいリング自由言語(RFL)を提案する。
RFLは複雑な分子構造を複数の部分に分解し、特異性と簡潔性の両方を保証する。
分子骨格と個々の環を段階的に予測する骨格生成モジュールからなる普遍的な分子骨格デコーダ(MSD)を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:29:32Z) - FoldToken: Learning Protein Language via Vector Quantization and Beyond [56.19308144551836]
タンパク質配列構造を離散シンボルとして表現するために textbfFoldTokenizer を導入する。
学習したシンボルを textbfFoldToken と呼び、FoldToken の配列が新しいタンパク質言語として機能する。
論文 参考訳（メタデータ） (2024-02-04T12:18:51Z) - Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。
MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。
実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2023-12-11T10:59:23Z) - Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model
for Protein Design [70.27706384570723]
Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。
Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。
フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
論文 参考訳（メタデータ） (2021-06-24T14:34:24Z)
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。