論文の概要: CODesign: Consistency from Data to Trajectory in All-Atom Protein Binder Co-Design

• arxiv url: http://arxiv.org/abs/2610.01773v1
• Date: Thu, 01 Oct 2026 14:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.191325
• Title: CODesign: Consistency from Data to Trajectory in All-Atom Protein Binder Co-Design
• Title（参考訳）: CODesign:全原子量タンパク質結合設計におけるデータから軌道への一貫性
• Abstract要約: CODesignは、可塑性で相互に互換性のある構造とシーケンスを生成するためのフレームワークである。 整合性二量体を生成することによりデータの整合性を向上させる。 実験によると、CODesignはサイリコの成功率が最も高い最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 54.30540014339084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The central challenge in de novo protein design is generating plausible, mutually compatible structures and sequences, such that each designed sequence folds into its intended structure and the structure accommodates that sequence. Compared to typical two-stage design methods, which decouple the modeling of the interdependent modalities, co-design models improve the cross-modal consistency by jointly generating sequences and structures. However, naively generating sequences and structures simultaneously does not ensure their consistency. To address this challenge, we propose CODesign framework. We improve data consistency by generating approximately 105,000 consistency-distilled dimers. We further promote consistency through a multimodal joint flow model that captures the joint distribution of sequences, backbone structures, and local atomic configurations, together with a consistency-aware joint resampling strategy that iteratively refines sequences and side chains. Experiments show that CODesign achieves state-of-the-art performance with the highest in silico success rates on both protein- and ligand-target binder design. Ablation studies also demonstrate our distilled dataset increases performance by 70.9%, which can be further improved by our proposed resampling mechanism with negligible additional computational cost. Code, model weights and the new dataset will be completely open-source.
• Abstract（参考訳）: デ・ノボタンパク質の設計における中心的な課題は、各設計された配列が意図された構造に折り畳まれ、構造がその配列を満たすように、可塑性で相互に互換性のある構造と配列を生成することである。 相互依存モードのモデリングを分離する典型的な2段階設計法と比較して、共設計モデルは、シーケンスと構造を共同生成することにより、相互整合性を改善する。 しかし、配列と構造を同時に生成しても、その一貫性は保証されない。 この課題に対処するため,我々はCODesignフレームワークを提案する。 約105,000個の不整合二量体を生成し, データの整合性を向上させる。 さらに、配列、バックボーン構造、局所原子構成の結合分布を捉えるマルチモーダルジョイントフローモデルと、配列と側鎖を反復的に洗練する一貫性を考慮したジョイントリサンプリング戦略により、一貫性をさらに促進する。 実験により,CODesignは,タンパク質およびリガンドターゲットバインダーの設計において,高いサイリコ成功率で最先端の性能を達成することが示された。 アブレーション実験では, 蒸留データセットの性能が70.9%向上することを示した。 コード、モデルの重み付け、新しいデータセットは完全にオープンソースになる。

関連論文リスト

• SimpleDesign: A Joint Model for Protein Sequence and Structure Codesign [53.93453139057735]
  データ空間で直接訓練された効果的なマルチモーダルタンパク質設計モデルであるSimpleDesignを提案する。 2M以上のシーケンス構造ペア上でSimpleDesignをトレーニングし、共設計および非条件シーケンス/構造生成ベンチマーク間で強力なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-09-03T05:25:05Z)
• Chamaileon: Cross-Context Binder Design with Contextualized Modeling and Mixed Sampling [19.701450236748254]
  本稿では,マルチターゲットとマルチステートバインダの設計を統合するChamaileonを紹介し,その問題をコンテキスト間バインディングランドスケープモデリングとして定式化する。 このフレームワークは、In-Context Complex Co-Design(I3CD)と呼ばれるトレーニングパラダイムによって基盤付けられている。
  論文  参考訳（メタデータ） (2026-07-26T07:35:10Z)
• Cross-Modal-Domain Generalization Through Semantically Aligned Discrete Representations [4.67724003380452]
  マルチモーダル学習は、様々な感覚源にまたがる情報の統合を目指している。 現在のアプローチは、モダリティ固有の構造とクロスモーダル一般化可能性のバランスをとるのに苦労している。 我々は、モダリティ固有のコードブック間のセマンティックコンセンサスを確立する新しいフレームワークであるCoDAARを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T14:03:30Z)
• Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
  両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。 Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。 また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
  論文  参考訳（メタデータ） (2026-03-30T01:54:03Z)
• 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)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design [70.27706384570723]
  Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。 Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。 フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
  論文  参考訳（メタデータ） (2021-06-24T14:34:24Z)

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。