論文の概要: PFArena: Benchmarking Language Models for Protein Modification

• arxiv url: http://arxiv.org/abs/2609.28921v1
• Date: Thu, 24 Sep 2026 02:05:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.66128
• Title: PFArena: Benchmarking Language Models for Protein Modification
• Title（参考訳）: PFArena:タンパク質修飾のためのベンチマーク言語モデル
• Abstract要約: PFArenaは、シングルミュータント生成とマルチミュータントランキングをカバーする4つの制御されたタスクインターフェースからなるベンチマークである。 PLMは、タンパク質特異的な前駆体を活用することにより、オープンエンドの単一変異体生成の習熟度を示す。 LLMとエージェントは、特にターゲット固有のフィットネスデータが利用可能である場合、マルチミュータントランキングで強く機能する。
• 参考スコア（独自算出の注目度）: 82.29931662881336
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Protein modification requires navigating an immense sequence space, yet wet-lab validation remains low-throughput and costly. Although computational paradigms including protein language models (PLMs), large language models (LLMs), and LLM-based agents have shown promise in protein modification, their relative efficacy across realistic experimental decision-making settings remains unclear. To bridge this gap, we introduce PFArena, a benchmark comprising four controlled task interfaces that cover single-mutant generation and multi-mutant ranking. By providing varying levels of mutation fitness data, PFArena reflects four representative research scenarios characterized by differing degrees of prior experimental context. We assess six PLMs, six LLMs, and five LLM-based agents using complementary metrics to measure both peak and overall protein modification performance. Our evaluation reveals that model performance shifts systematically with the availability of target-specific experimental evidence: PLMs demonstrate proficiency in open-ended single-mutant generation by leveraging protein-specific priors, whereas LLMs and agents perform strongly in multi-mutant ranking, particularly when target-specific fitness data are available. Nevertheless, all model families face fundamental challenges with increasing search-space size and mutation depth. We release our code and benchmark suite to facilitate reproducible research in model-assisted protein modification.
• Abstract（参考訳）: タンパク質の修飾には膨大な配列空間をナビゲートする必要があるが、ウェットラブの検証は低スループットでコストがかかる。 タンパク質言語モデル(PLM)、大規模言語モデル(LLM)、LLMをベースとしたエージェントを含む計算パラダイムは、タンパク質の修飾を約束しているが、現実的な実験的意思決定設定における相対的有効性は、まだ不明である。 このギャップを埋めるため、PFArenaは、単一タスク生成と複数タスクランキングをカバーする4つの制御されたタスクインターフェースからなるベンチマークである。 様々なレベルの突然変異適合データを提供することにより、PFArenaは以前の実験状況の程度が異なることを特徴とする4つの代表的な研究シナリオを反映する。 PLM6種,LDM6種,LDM5種を相補的指標を用いて評価し,タンパク質のピークおよび全体的な修飾性能を測定した。 PLMは、タンパク質特異的な前駆体を利用して、オープンエンド単一変異体生成の習熟度を示すが、LSMとエージェントは、特にターゲット特異的なフィットネスデータが利用可能である場合、多変異体ランキングにおいて強く機能する。 それでも、全てのモデルファミリーは、検索空間のサイズと突然変異深度を増大させるという根本的な課題に直面している。 我々は、モデル支援タンパク質修飾における再現可能な研究を容易にするために、コードとベンチマークスイートをリリースする。

関連論文リスト

• Tool-Augmented On-Policy Distillation for LLM Domain Adaptation in Sequence-Based Omics Tasks [72.97315136048122]
  マルチオミクスシーケンスの最初の推論ベンチマークであるOmicsBenchを紹介する。 予測と科学的推論の両方を評価することが重要です ツール強化型オン・ポリケーション (TA-OPD) を導入し, シークエンス予測とエビデンス基底の生物学的推論を一致させる。
  論文  参考訳（メタデータ） (2026-09-20T08:08:34Z)
• Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
  タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。 我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。 我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2026-06-17T11:42:01Z)
• Self Distillation Fine-Tuning of Protein Language Models Improves Versatility in Protein Design [61.2846583160056]
  Supervised Fine-tuning (SFT) は、大規模言語モデルを特殊なドメインに適応するための標準的なアプローチである。 これは、高品質なアノテートされたデータは、自然言語よりもタンパク質の入手がはるかに難しいためである。 生成したタンパク質配列の忠実度,信頼性,新規性を改善するために設計された,PLMの高速SFTのための簡易かつ汎用的なレシピを提案する。
  論文  参考訳（メタデータ） (2025-12-10T05:34:47Z)
• Lightweight MSA Design Advances Protein Folding From Evolutionary Embeddings [51.731441632457226]
  マルチシークエンスアライメント(MSA)は低ホモロジーおよび孤児タンパク質で機能する。 我々は、下流の折り畳みをより良くサポートするMSAを生成する軽量なMSA設計フレームワークPLAMEを紹介する。 AlphaFold2の低ホモロジー/孤児ベンチマークでは、PLAMEは構造精度の最先端の改善を提供する。
  論文  参考訳（メタデータ） (2025-06-17T04:11:30Z)
• ProtCLIP: Function-Informed Protein Multi-Modal Learning [18.61302416993122]
  ProtCLIPは,機能認識タンパク質の埋め込みを表現した多モード基盤モデルである。 当社のProtCLIPは,5つのクロスモーダル変換ベンチマークにおいて,平均75%の大幅な改善を実現している。 実験により,タンパク質多量性基盤モデルとしてのProtCLIPの異常なポテンシャルが検証された。
  論文  参考訳（メタデータ） (2024-12-28T04:23:47Z)
• Design Proteins Using Large Language Models: Enhancements and Comparative Analyses [12.140433802768733]
  我々は、Mistral-7B1、Llama-2-7B2、Llama-3-8B3、gemma-7B4を含む事前訓練されたLLM群を採用し、有効なタンパク質配列を生成する。 我々はこれらのモデルを再訓練し、タンパク質関連データを処理し、生物学的に実現可能なタンパク質構造の生成を保証する。 実験の結果, 限られたデータであっても, 適応されたモデルは, 確立されたタンパク質中心モデルに匹敵する効率を示すことがわかった。
  論文  参考訳（メタデータ） (2024-08-12T08:17:27Z)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• Exploring Post-Training Quantization of Protein Language Models [9.562786130999188]
  タンパク質言語モデルのための後学習量子化(PTQ)に関する研究(ProteinLMs) 我々の研究は、タンパク質膜の全重量と活性化を定量化する最初の試みである。 非対称なアクティベーション値に対して一方向線形量子化を利用する新しいPTQ法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T15:18:06Z)

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。