論文の概要: Improving scoring functions for protein-protein docking with LambdaLoss
- arxiv url: http://arxiv.org/abs/2610.00191v1
- Date: Fri, 18 Sep 2026 01:52:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 14:48:16.392485
- Title: Improving scoring functions for protein-protein docking with LambdaLoss
- Title（参考訳）: LambdaLossによるタンパク質-タンパク質ドッキングのスコアリング機能の改善
- Abstract要約: タンパク質とタンパク質のポーズランキングおよび他の生体分子間相互作用モデルを改善するための一般的な枠組みを提案する。
DFMDockのエネルギー予測ヘッドとLambdaLossを2.9Mデコイポーズの強化データセットで微調整することにより、このフレームワークをテストする。
- 参考スコア（独自算出の注目度）: 3.196890160360084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling protein-protein interactions requires accurate scoring functions that can rank potential poses (conformations) of a protein-protein complex to differentiate near-native poses from incorrect ones. Here, we propose a general framework for improving protein-protein pose ranking and other biomolecular interaction models using the LambdaLoss loss function from the Learning-to-Rank field. We test this framework by fine-tuning the energy prediction head of DFMDock with the LambdaLoss on an augmented dataset of 2.9M decoy poses derived from the DIPS dataset. On targets from the CAPRI score set benchmark, our fine-tuned ranking model LambdaDockScore is better at identifying correct poses in its top-1 and top-5 predictions compared to EuDockScore, a state-of-the-art method. LambdaDockScore also improves upon baseline DFMDock ranking performance for scoring antibody-antigen complexes and protein-protein complexes with very large or small binding interfaces.
- Abstract（参考訳）: タンパク質-タンパク質相互作用のモデル化には、タンパク質-タンパク質複合体の潜在的なポーズ(コンフォーメーション)をランク付けする正確なスコアリング機能が必要である。
本稿では,Learning-to-RankフィールドからのLambdaLoss損失関数を用いて,タンパク質とタンパク質のポーズランキングなどの生体分子相互作用モデルを改善するための汎用フレームワークを提案する。
DFMDockのエネルギー予測ヘッドとLambdaLossを、DIPSデータセットから派生した2.9Mデコイポーズの強化データセット上で微調整することで、このフレームワークをテストする。
CAPRIスコアセットベンチマークのターゲットとして、私たちの微調整されたランキングモデルであるLambdaDockScoreは、最先端の方法であるEuDockScoreと比較して、トップ1とトップ5の予測における正しいポーズを特定するのに優れています。
LambdaDockScoreは、抗体-抗原複合体とタンパク質-タンパク質複合体を非常に大きなまたは小さな結合界面で評価するための基準DFMDockランキング性能も改善する。
関連論文リスト
- IgPose: A Generative Data-Augmented Pipeline for Robust Immunoglobulin-Antigen Binding Prediction [5.547889148887967]
免疫グロブリン抗原(Ig-Ag)の結合の予測は依然として重要な課題である。
Ig-Agのポーズ識別とスコアリングのための一般化可能なフレームワークであるIgPoseを紹介する。
IgPoseは同変グラフニューラルネットワーク、ESM-2埋め込み、ゲートリカレントユニットを統合している。
論文 参考訳（メタデータ） (2026-03-16T06:16:03Z) - Towards Precision Protein-Ligand Affinity Prediction Benchmark: A Complete and Modification-Aware DAVIS Dataset [40.09200350129404]
現在のモデルは、自然に発生し生物学的に関連のあるタンパク質を改変することなく、既存の単純化されたデータセットに過度に適合する。
我々は,4,032個のキナーゼ-リガンドペアを組み込むことで,広く使用されているDAVISデータセットの完全かつ修正対応バージョンをキュレートする。
このリッチデータセットは、生物学的に現実的な条件下で予測モデルのベンチマークを可能にする。
論文 参考訳（メタデータ） (2025-11-30T03:14:39Z) - A Novel Framework for Multi-Modal Protein Representation Learning [13.33566214386641]
2つのコア機構に対処する統合フレームワークであるDAMPE(Diffused and Aligned Multi-modal Protein Embedding)を提案する。
まず、異なるモードの内在的な埋め込み空間間の対応性を確立するための最適輸送(OT)に基づく表現アライメントを提案する。
次に,条件付きグラフ生成(CGG)に基づく情報融合手法を開発した。
論文 参考訳（メタデータ） (2025-10-27T12:33:01Z) - PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。
PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
論文 参考訳（メタデータ） (2025-07-07T15:21:05Z) - Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。
本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。
我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
論文 参考訳（メタデータ） (2025-03-12T15:46:12Z) - Prot2Chat: Protein LLM with Early-Fusion of Text, Sequence and Structure [7.9473027178525975]
タンパク質配列と構造情報を統一的にエンコードするために,タンパク質MPNNを改変した。
我々は,大規模言語モデル(LLM)を用いて質問をベクトルにエンコードし,タンパク質情報を仮想トークンに圧縮するタンパク質テキストアダプタを開発した。
論文 参考訳（メタデータ） (2025-02-07T05:23:16Z) - DiffDock-PP: Rigid Protein-Protein Docking with Diffusion Models [47.73386438748902]
DiffDock-PPは拡散生成モデルであり、非有界タンパク質構造をそれらの有界配座に翻訳し回転させる。
中央値C-RMSDが4.85でDIPSの最先端性能を達成し,すべてのベースラインを上回りました。
論文 参考訳（メタデータ） (2023-04-08T02:10:44Z)
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。