論文の概要: A General Harness for Protein Foundation Model Fitness Prediction

• arxiv url: http://arxiv.org/abs/2609.34654v1
• Date: Mon, 28 Sep 2026 08:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 11:33:32.786717
• Title: A General Harness for Protein Foundation Model Fitness Prediction
• Title（参考訳）: タンパク質基盤モデル適合度予測のための一般的なハーネス
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.66125488441173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate fitness prediction is central to protein engineering and understanding sequence-function relationships. With advances in deep learning, protein foundation models (PFMs) have become widely used for this task. Recent analyses, however, show that these models share preferences reflecting their training corpora, while unreliable inputs can further distort fitness predictions. Family-specific evolutionary evidence and structural context can help address these limitations by providing complementary constraints on model scores, motivating VenusREM-Harness (VRH), a general, model-agnostic, training-free Retrieval-Enhanced Mutation harness. It fuses frozen model scores with multiple sequence alignment (MSA) evidence according to model uncertainty, then applies gated background correction and score shrinkage based on structural confidence and solvent exposure. Across 1,211 assays and 3.1 million measured variants from ProteinGym, VenusMutHub, and the newly curated viral benchmark VenusViroHub, all 71 configurations improve Spearman correlation on all 3 benchmarks by 0.073 on average, with broad gains across 5 metrics. Extended analyses relate retrieval gains to model-MSA preference differences, assess domain-level gains and immune-escape cases, and quantify computational speedups. Built with VRH, VenusREM2 is the first to rank highest in all function, taxon, MSA-depth, and mutation-depth categories, with a ProteinGym Average Spearman of 0.556, 0.038 above the prior best.
• Abstract（参考訳）: 正確な適合度予測は、タンパク質工学と配列-機能関係の理解の中心である。 ディープラーニングの進歩に伴い、タンパク質基盤モデル(PFM)がこの課題に広く利用されている。 しかし最近の分析では、これらのモデルはトレーニングコーパスを反映した嗜好を共有しており、信頼できない入力はフィットネス予測をさらに歪ませる可能性がある。 家族固有の進化的エビデンスと構造的文脈は、モデルスコアに補完的な制約を与えることによってこれらの制限に対処し、一般的な、モデルに依存しない、トレーニングなしのRetrieval-Enhanced MutationのハーネスであるVenusREM-Harness(VRH)を動機付ける。 凍結したモデルスコアを、モデル不確実性に応じて多重シーケンスアライメント(MSA)エビデンスで融合し、構造信頼度と溶媒暴露度に基づいて、ゲート背景補正とスコア縮小を適用した。 ProteinGym、VenusMutHub、VenusViroHubによる1,211のアッセイと3100万の亜種、そして新たにキュレートされたウイルスベンチマークVenusViroHubのすべての71のコンフィグレーションにより、平均で3つのベンチマークのスピアマン相関が0.073改善され、5つのメトリクスで広範囲に増加している。 拡張分析は、検索ゲインをモデル-MSAの好みの違いに関連付け、ドメインレベルゲインと免疫エスケープケースを評価し、計算スピードアップを定量化する。 VRHで構築された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、タンパク質Gym Average Spearman 0.556, 0.038 である。

関連論文リスト

• Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
  多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。 実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。 我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:54:21Z)
• Rank-and-Reason: Multi-Agent Collaboration Accelerates Zero-Shot Protein Mutation Prediction [20.82228986381723]
  ウェットラブ検証プロセスを自動化する2段階のエージェントフレームワークであるRan-and-Reason(VenusRAR)を提案する。 Rank-Stageでは、計算専門家と仮想生物学者がコンテキスト対応のマルチモーダルアンサンブルをまとめ、ProteinGym上で0.551(vs.0.518)の新しいスピアマン相関記録を樹立した。 Reason-Stageでは、エージェント専門家パネルが、幾何学的および構造的制約に対して候補を監査するチェーン・オブ・シンキングを採用し、ProteinGym-DMS99で最高5ヒット率を最大367%改善している。
  論文  参考訳（メタデータ） (2026-01-30T10:35:46Z)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• Evolutionary Profiles for Protein Fitness Prediction [45.945064429964084]
  EvoIFは、配列構造表現を進化的信号と融合させ、ログノードスコアリングのキャリブレーションされた確率を得る。 タンパク質Gym (217変異アッセイ; >2.5M変異株)について、EvoIFとそのMSA対応変異体は、トレーニング深度のわずか0.1%を使用しながら、最先端または競争的な性能を達成する。
  論文  参考訳（メタデータ） (2025-10-08T17:46:02Z)
• Fitness aligned structural modeling enables scalable virtual screening with AuroBind [56.720030595081845]
  AuroBindは、100万規模のケモゲノミクスデータ上に、カスタム原子レベルの構造モデルを微調整するスケーラブルな仮想スクリーニングフレームワークである。 AuroBindは、直接選好最適化、高信頼錯体からの自己蒸留、教師-学生加速戦略を統合している。 AuroBindは10の疾患関連目標に対して、実験的なヒット率7-69%を達成し、トップ化合物はナノモラール下からピコモラールに到達した。
  論文  参考訳（メタデータ） (2025-08-04T07:34:48Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• 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)
• 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)

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。