Fugu-MT 論文翻訳(概要): Robust Biomolecular Complex Design Across Protein Conformational Landscapes

論文の概要: Robust Biomolecular Complex Design Across Protein Conformational Landscapes

arxiv url: http://arxiv.org/abs/2609.33726v2
Date: Fri, 02 Oct 2026 19:16:39 GMT
ステータス: 情報取得中
システム内更新日: 2026-10-06 20:53:44.507178
Title: Robust Biomolecular Complex Design Across Protein Conformational Landscapes
Title（参考訳）: タンパク質構成ランドスケープ全体にわたるロバストな生体分子複合体設計
Abstract要約: モデルに依存しない進化的フレームワークであるFlexEvoを紹介します。 FlexEvoは、カテゴリバランスの平均相対的な性能劣化を47.8%から4.4%に減らし、サンプルあたり1.4～3.1分しか適応しないことを示した。
参考スコア（独自算出の注目度）: 17.880642249483444
License:
Abstract: Proteins populate conformational ensembles, yet structure-based biomolecular design typically optimizes candidates against a single target conformation. Consequently, a candidate that fits one state can lose favorable interactions or develop steric clashes when the target adopts another. We introduce FlexEvo, a model-agnostic evolutionary framework that adapts candidates once at inference time from a single target conformation to improve compatibility with alternative natural conformations unseen during adaptation, without retraining the source model or requiring a conformational ensemble. FlexEvo casts cross-state adaptation as geometry-constrained bi-objective optimization, balancing preservation of input-state interactions against robustness to plausible conformational perturbations. To limit the search space and reduce invalid structural edits, geometry-derived FlexBoxes define protected anchor regions, adaptable regions for local exploration, and forbidden regions for clash avoidance. A unified all-atom representation supports topology-preserving adaptation across diverse binder categories, while Pareto selection preserves nondominated candidates across the two objectives. We evaluate FlexEvo across multiple generation baselines and nine representative binder categories spanning diverse molecular sizes and structural topologies. FlexEvo reduces the category-balanced mean relative performance degradation from 47.8% to 4.4%, while adding only 1.4--3.1 minutes of adaptation per sample. These results establish single-state inference-time adaptation as a practical route toward robust biomolecular complex design across protein conformational landscapes.
Abstract（参考訳）: タンパク質はコンフォメーションアンサンブルを発生させるが、構造に基づく生体分子設計は典型的には単一のターゲットコンフォメーションに対して候補を最適化する。その結果、ある状態に適合する候補は、好ましくない相互作用を失うか、ターゲットが別の状態を採用すると立体衝突が発生する。モデルに依存しない進化的フレームワークであるFlexEvoを導入し、単一のターゲットコンフォーメーションから推論時に候補を適応させ、ソースモデルの再トレーニングやコンフォーメーションアンサンブルを必要とせず、適応中に見えない代替の自然コンフォーメーションとの互換性を改善する。 FlexEvoは、状態間の適応を幾何学的に制約された双対象最適化として、入力状態の相互作用を、可塑性コンフォメーション摂動に対するロバスト性に対する保存のバランスをとる。検索スペースを制限し、不正な構造編集を減らすために、幾何学から派生したFlexBoxは、保護されたアンカー領域、局所探索に適した領域、衝突回避のための禁止された領域を定義する。統一された全原子表現は、様々なバインダーカテゴリにまたがるトポロジー保存適応をサポートし、パレート選択は2つの目的にまたがる非支配的候補を保存する。分子量および構造的トポロジにまたがって,FlexEvoを複数の世代ベースラインにまたがって評価し,9つの代表的なバインダーカテゴリについて検討した。 FlexEvoは、カテゴリバランスの平均相対的な性能低下を47.8%から4.4%に減らし、1サンプルあたり1.4～3.1分しか適応できない。これらの結果は、タンパク質コンフォメーションランドスケープを横断する堅牢な生体分子複合体設計への実践的なルートとして、単状態推論時適応を確立した。

関連論文リスト

PhiFold: Towards Dynamic Protein Design with Physics-Structured Covariance Modeling [27.388532328916156]
PhiFoldは、タンパク質のバックボーンとその2次ダイナミクスを共同生成するためのフレームワークである。力学を3つの解釈可能な構成要素に分解する:局所的柔軟性、低ランクな集団運動表現、残余的な集団参加である。平衡力学の明示的な表現で構造生成を統一することにより、PhiFoldはタンパク質を設計するための基礎を築いた。
論文参考訳（メタデータ） (2026-09-26T07:10:43Z)
Ensemble-Conditioned Molecular Design [41.968590587501616]
分子のコンフォメーションアンサンブルのモードと特性の最適化として分子設計を再設計する。両軸に3次元分子生成モデルを同時に設定するフレームワークであるアンサンブル条件付きガイダンスを導入する。マルチモード条件付けとアンサンブル特性最適化のための新しいベンチマークを評価する。
論文参考訳（メタデータ） (2026-09-14T05:49:37Z)
Property-driven Protein Inverse Folding With Multi-Objective Preference Alignment [19.34182674159143]
タンパク質配列設計は、ターゲットのバックボーンを回復する能力として定義される設計可能性のバランスをとる必要がある。既存のアプローチでは、これらの性質をポストホック突然変異、推論時間偏見、またはプロパティ固有のサブセットで再訓練することで解決している。 ProtAlignは,多様な開発目標を満たすために,逆折り畳みモデルを微調整する多目的優先アライメントフレームワークである。
論文参考訳（メタデータ） (2026-03-06T10:57:51Z)
Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
論文参考訳（メタデータ） (2026-03-02T21:32:30Z)
ProteinAE: Protein Diffusion Autoencoders for Structure Encoding [64.77182442408254]
本稿では,新規かつ合理化されたタンパク質拡散オートエンコーダであるProteinAEを紹介する。プロテインAEは、タンパク質のバックボーン座標を直接E(3)から連続的でコンパクトな潜在空間にマッピングする。本研究では,既存のオートエンコーダよりも優れた,最先端の再構築品質を実現することを実証する。
論文参考訳（メタデータ） (2025-10-12T14:30:32Z)
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)
Learning conformational ensembles of proteins based on backbone geometry [1.1874952582465603]
本稿では,背骨形状のみに基づくタンパク質コンホメーションをサンプリングするためのフローマッチングモデルを提案する。結果として得られたモデルは、現在の最先端アプローチよりも桁違いに高速で、数日間でスクラッチからトレーニングできる。
論文参考訳（メタデータ） (2025-02-19T17:16:27Z)
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)
Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
論文参考訳（メタデータ） (2021-11-15T18:46:37Z)

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。