論文の概要: Structure-aware Reinforcement Learning for Protein Directed Evolution

• arxiv url: http://arxiv.org/abs/2609.39048v1
• Date: Wed, 30 Sep 2026 05:56:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.24855
• Title: Structure-aware Reinforcement Learning for Protein Directed Evolution
• Title（参考訳）: タンパク質指向進化のための構造認識強化学習
• Abstract要約: タンパク質指向進化のための構造認識強化学習フレームワークStructEvoを提案する。 我々はデルタ構造融合エンコーダを用いて特徴差による変異構造の特徴を近似し,空間知識の動的取り込みを可能にする。 提案手法は,2つの挑戦的最適化ベンチマークにおいて,従来の最先端手法よりも9.2%,16.3%優れていた。
• 参考スコア（独自算出の注目度）: 11.808644034069475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein optimization remains a longstanding goal in life sciences. Existing machine learning-assisted directed evolution (MLDE) methods primarily rely on sequence-only features, overlooking the critical spatial constraints and co-evolutionary interactions encoded in protein structures. However, directly integrating structural information remains challenging due to the scarcity of reliable mutant structures. To address these issues, we propose StructEvo, a novel structure-aware reinforcement learning framework for protein directed evolution. StructEvo employs a delta-structure fusion encoder to approximate mutant structure features via feature differences, enabling dynamic incorporation of spatial knowledge. The vast mutation space is then decomposed into manageable subspaces through a structure-aligned hierarchical action network, while a geometric constraint further stabilizes delta feature learning. Our approach outperforms prior state-of-the-art methods by 9.2% and 16.3% on two challenging optimization benchmarks, and further identifies an experimentally validated epistasis pattern in GFP, highlighting the importance of structural guidance for effective protein directed evolution.
• Abstract（参考訳）: タンパク質の最適化は、生命科学における長年の目標である。 既存の機械学習支援指向進化法(MLDE)は、主に配列のみの特徴に依存し、タンパク質構造に符号化された重要な空間的制約や共進化的相互作用を見渡す。 しかし、信頼できる変異体の不足のため、構造情報の直接統合は依然として困難である。 これらの課題に対処するために,タンパク質指向進化のための構造対応強化学習フレームワークStructEvoを提案する。 StructEvoはデルタ構造融合エンコーダを用いて特徴差を通じて変異構造の特徴を近似し、空間知識を動的に組み込むことができる。 巨大な突然変異空間は、構造に整列した階層的な作用ネットワークを通じて管理可能な部分空間に分解され、幾何学的制約によりデルタ特徴学習はさらに安定化される。 提案手法は, 従来手法よりも9.2%, 16.3%高い性能を示し, さらに, GFPの上皮パターンを実験的に検証し, タンパク質指向進化における構造的ガイダンスの重要性を強調した。

関連論文リスト

• 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)
• SaDiT: Efficient Protein Backbone Design via Latent Structural Tokenization and Diffusion Transformers [50.18388227899971]
  本稿では,SaProt TokenizationとDiffusion Transformer (DiT)アーキテクチャを統合することで,タンパク質のバックボーン生成を促進する新しいフレームワークであるSaDiTを提案する。 実験により、SaDiTはRFDiffusionやProteinaといった最先端モデルよりも計算速度と構造的生存性が優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-06T13:50:13Z)
• Swarms of Large Language Model Agents for Protein Sequence Design with Experimental Validation [0.9332987715848714]
  大規模言語モデル(LLM)エージェントは並列に動作し、それぞれ特定の残基位置に割り当てられる。 この位置的、非集中的な調整は、多様で明確に定義されたシーケンスの創発的設計を可能にする。 提案手法は,数時間以内に効率よく客観的な設計を実現し,微調整や特殊訓練を行なわずに完全に動作させる。
  論文  参考訳（メタデータ） (2025-11-27T10:42:52Z)
• AlphaFolding: 4D Diffusion for Dynamic Protein Structure Prediction with Reference and Motion Guidance [18.90451943620277]
  本研究では分子動力学(MD)シミュレーションデータを用いた動的タンパク質構造学習のための革新的4次元拡散モデルを提案する。 本モデルでは,32時間で最大256個のアミノ酸を含むタンパク質の動的3次元構造を予測できる。
  論文  参考訳（メタデータ） (2024-08-22T14:12:50Z)
• 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)
• 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。