Fugu-MT 論文翻訳(概要): SPINET: Sheaf Protein Inverse Folding Network

論文の概要: SPINET: Sheaf Protein Inverse Folding Network

arxiv url: http://arxiv.org/abs/2609.34153v1
Date: Mon, 28 Sep 2026 02:34:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-04 06:24:30.545546
Title: SPINET: Sheaf Protein Inverse Folding Network
Title（参考訳）: SPINET:Sheaf Protein Inverse Folding Network
Abstract要約: SPINETは分子動力学軌道から配列を予測する。細胞シーブを用いて各フレーム内の残基相互作用を表現している。シークエンスリカバリにおいて、評価された静的およびアンサンブルベースラインをすべて上回る。
参考スコア（独自算出の注目度）: 0.9610755207391831
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Proteins change shape as they function, yet most inverse folding models predict amino acid sequences from a single, fixed backbone. A central challenge in protein engineering is to design proteins that undergo specific motions, which requires accounting for how their structures change over time. This motivates inverse protein folding conditioned on protein motion. We introduce SPINET, which predicts sequences from molecular dynamics trajectories. It uses cellular sheaves to represent residue interactions within each frame and recurrent units to integrate information across frames, then predicts all amino acids in a single pass. We evaluate SPINET on mdCATH and ATLAS, where it outperforms all evaluated static and ensemble baselines in sequence recovery. On mdCATH, it achieves 56.7% top-1 recovery, compared with 44.5% for the strongest static baseline and 40.7% for the strongest ensemble baseline. We also evaluate whether the predicted sequences are compatible with conformations sampled along the target trajectory. On mdCATH, they achieve a median TM-score of 0.760, and structural recovery favors target conformations over unrelated decoys for 99.5% of test domains.
Abstract（参考訳）: タンパク質は機能するにつれて形を変えるが、ほとんどの逆フォールディングモデルは単一の固定されたバックボーンからアミノ酸配列を予測する。タンパク質工学における中心的な課題は、特定の動きを行うタンパク質を設計することである。これは、タンパク質の動きによって条件付けられた逆タンパク質の折り畳みを動機付ける。本稿では,分子動力学軌道から配列を予測するSPINETを紹介する。細胞シーブを用いて、各フレーム内の残基相互作用を表現し、繰り返し単位を使用して、フレーム間で情報を統合し、その後、すべてのアミノ酸を1回のパスで予測する。我々は,mdCATHとATLASでSPINETを評価し,静的およびアンサンブルのベースラインを解析し,シークエンスリカバリにおいて性能を向上する。 mdCATHでは、最強の静的ベースラインが44.5%、最強のアンサンブルベースラインが40.7%と、56.7%のトップ1リカバリを達成した。また、予測シーケンスが対象軌道に沿ってサンプリングされたコンフォメーションと互換性があるかどうかも評価する。 mdCATHでは、中央値のTMスコアは0.760であり、構造回復は、99.5%のテストドメインにおいて、関係のないデコイよりもターゲットコンフォメーションが好ましい。

関連論文リスト

A General Harness for Protein Foundation Model Fitness Prediction [20.66125488441173]
VenusREM-Harness (VRH) は、凍結したモデルスコアを、モデルの不確実性に応じてシーケンスアライメントの証拠と融合させる。構造的信頼性と溶媒暴露に基づく背景補正とスコア縮小を施す。 VenusREM2は、全ての機能、分類学、MSA-depth、突然変異-depthカテゴリーで最高位にランクされた最初のものである。
論文参考訳（メタデータ） (2026-09-28T08:58:56Z)
ProtSent: Protein Sentence Transformers [6.657830371527077]
タンパク質言語モデル (pLM) は、進化的および構造的情報をキャプチャする残基ごとの表現を生成する。本稿では、PLMを汎用埋め込みモデルに適応させるための対照的な微調整フレームワークであるProtSent(ProtSent)を提案する。
論文参考訳（メタデータ） (2026-05-07T18:33:49Z)
TriFit: Trimodal Fusion with Protein Dynamics for Mutation Fitness Prediction [0.0]
TriFitは4つのMixture-of-Experts(MoE)融合モジュールを通じてシーケンス、構造、タンパク質のダイナミクスを統合する。 MoEルータは入力に条件付けられたモダリティの組み合わせを適応的に重み付けし、固定されたモダリティ仮定なしでタンパク質特異的な融合を可能にする。 ProteinGym の代替ベンチマークでは、TriFit は AUROC 0.897 +/- 0.0002 を達成し、全ての教師付きベースラインを上回っている。
論文参考訳（メタデータ） (2026-04-13T20:11:09Z)
Protein Inverse Folding From Structure Feedback [78.27854221882572]
本稿では,タンパク質の折りたたみモデルからのフィードバックを用いて,逆折りたたみモデルを微調整する手法を提案する。 CATH 4.2 テストセットの結果,DPO の微調整により平均 TM-Score が大幅に向上することが示された。
論文参考訳（メタデータ） (2025-06-03T16:02:12Z)
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)
SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文参考訳（メタデータ） (2024-10-31T15:22:03Z)
Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。 pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文参考訳（メタデータ） (2023-02-03T10:49:52Z)
On the Robustness of AlphaFold: A COVID-19 Case Study [16.564151738086434]
高い精度にもかかわらず、AlphaFoldはそのような堅牢性を示していないことを実証する。これにより、予測されたタンパク質構造が信頼される範囲を検知し定量化することが困難になる。
論文参考訳（メタデータ） (2023-01-10T17:31:39Z)
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)
EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。