論文の概要: From Surfaces to Volumes: Registered Geometry for Protein Representation Learning

• arxiv url: http://arxiv.org/abs/2609.36277v1
• Date: Mon, 28 Sep 2026 21:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.014645
• Title: From Surfaces to Volumes: Registered Geometry for Protein Representation Learning
• Title（参考訳）: 表面から体積へ:タンパク質表現学習のための登録幾何学
• Abstract要約: 本稿では,タンパク質の登録残基量表現であるProtein-TetSphereを紹介する。 各タンパク質鎖は四面体化され、個々の残基に関連する局所的な体積領域を得る。 この登録は残留物間の一貫した体積座標を確立し、局所的な3次元変形を表面情報や化学情報と統合することを可能にする。
• 参考スコア（独自算出の注目度）: 56.36280463664419
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing protein geometry models typically represent molecular surfaces using local geometric features such as sampled points, normals, and curvature. While effective for capturing exposed molecular shape, these representations do not explicitly model the volumetric organization beneath the surface or provide a consistent coordinate system for residue-wise volumetric structure. We introduce Protein-TetSphere, a registered residue-wise volumetric representation for proteins. Each protein chain is tetrahedralized to obtain local volumetric regions associated with individual residues, which are then registered to a shared fixed-topology tetrahedral reference and represented in a common Laplacian basis. This registration establishes consistent volumetric coordinates across residues, enabling local three-dimensional deformation to be integrated with surface and chemical information in a multimodal protein representation. We evaluate Protein-TetSphere on ligand-binding pocket classification, protein--protein interface prediction, and de novo protein binder design. Across the three tasks, Protein-TetSphere improves ligand-binding pocket balanced accuracy from $0.795$ to $0.826$, Pinder-Pair/Site AUROC from $0.914/0.852$ to $0.932/0.866$, and binder-design success from $14.95\%$ to $19.90\%$ on the BoltzGen Challenge Set and from $27.62\%$ to $32.19\%$ at the ProtDBench backbone level. These results show that registered volumetric geometry provides complementary spatial information beyond molecular surfaces across protein recognition, interaction, and design.
• Abstract（参考訳）: 既存のタンパク質幾何モデルは通常、サンプリングされた点、正規点、曲率などの局所的な幾何学的特徴を用いて分子表面を表現する。 露出した分子の形状を捉えるのに効果的であるが、これらの表現は表面下の体積構造を明示的にモデル化したり、残基の体積構造を一貫した座標系を提供するものではない。 本稿では,タンパク質の登録残基量表現であるProtein-TetSphereを紹介する。 各タンパク質鎖は四面体化され、個々の残基に関連する局所体積領域が得られ、共有固定トポロジー四面体参照に登録され、共通のラプラシア基底で表される。 この登録は残基間の一貫した体積座標を確立し、局所的な3次元変形と多モードタンパク質表現における表面および化学情報の統合を可能にする。 タンパク質-TetSphereは,リガンド結合ポケットの分類,タンパク質-タンパク質界面の予測,およびde novoタンパク質結合体の設計について評価した。 3つのタスク全体で、Protect-TetSphereはリガンド結合ポケットの精度を0.795$から0.826$に改善し、Pinder-Pair/Site AUROCは0.914/0.852$から0.932/0.866$に改善し、バインダー設計は14.95\%から19.90\%に、BoltzGenチャレンジセットは27.62\%から32.19\%に改善した。 これらの結果は、登録された体積幾何学が、タンパク質認識、相互作用、設計を越えて分子表面を超えた相補的な空間情報を提供することを示している。

関連論文リスト

• Metric Similarity and Manifold Learning of Circular Dichroism Spectra of Proteins [0.0]
  本研究ではSP175データベースから球状タンパク質の円二色性スペクトルの機械学習解析を行った。 以上の結果から,$mathcalW_1$はEuclideanとManhattanの両メトリクスと一致し,ノイズに対する堅牢性を示した。 一方、$t$-SNEは高次元データの有意義な構造を明らかにする。
  論文  参考訳（メタデータ） (2025-04-27T20:43:54Z)
• EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction [49.674494450107005]
  標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。 本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。
  論文  参考訳（メタデータ） (2023-02-23T17:18:26Z)
• Integration of Pre-trained Protein Language Models into Geometric Deep Learning Networks [68.90692290665648]
  我々は、タンパク質言語モデルから学んだ知識を、いくつかの最先端の幾何学的ネットワークに統合する。 以上の結果から,ベースラインを20%上回る総合的な改善が見られた。 強い証拠は、タンパク質言語モデルの知識を取り入れることで、幾何学的ネットワークの能力が著しく向上することを示している。
  論文  参考訳（メタデータ） (2022-12-07T04:04:04Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)

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。