論文の概要: Predictor-Guided Latent Space Codon Optimization for Maximizing Protein Expression

• arxiv url: http://arxiv.org/abs/2610.03098v1
• Date: Fri, 02 Oct 2026 10:18:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.322656
• Title: Predictor-Guided Latent Space Codon Optimization for Maximizing Protein Expression
• Title（参考訳）: タンパク質発現の最大化のための予測型遅延空間コドン最適化
• Abstract要約: 我々は、この離散的な問題を、事前訓練されたmRNA言語モデルの潜在空間にシーケンスをマッピングすることで、連続的な問題として再キャストする潜在空間コドン最適化(LSCO)を導入する。 LSCOは、不確実性を認識したデータ駆動型表現目標、構造安定性のための最小自由エネルギー正規化器、タンパク質からコドンへのバックトランスレーションモデル以前の自然性、タンパク質の忠実性に対する制約付きデコーディングの4つのコンポーネントを組み合わせた。
• 参考スコア（独自算出の注目度）: 8.803091914904737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Codon optimization, the process of selecting synonymous codons to improve mRNA translation efficiency and protein expression, is central to therapeutic protein production and mRNA vaccines, yet it remains a hard problem. The design space is discrete and combinatorially large, precluding gradient-based methods, and existing tools rely on heuristic proxies (e.g., Codon Adaptation Index or GC-content) that poorly capture true expression. We introduce Latent-Space Codon Optimization (LSCO), which recasts this discrete problem as a continuous one by mapping sequences into the latent space of a pretrained mRNA language model, enabling efficient gradient-based search. LSCO combines four components: a data-driven expression objective from an uncertainty-aware predictor, a Minimum-Free-Energy regularizer for structural stability, a naturalness prior from a protein-to-codon back-translation model, and constrained decoding for protein fidelity. On a real-world, wet-lab antibody expression dataset, LSCO outperforms simple frequency-based, as well as modern deep generative baselines in predicted expression, while retaining suitable biophysical properties.
• Abstract（参考訳）: コドン最適化は、mRNA翻訳効率とタンパク質発現を改善するために同義語コドンを選択するプロセスであり、治療タンパク質の生産とmRNAワクチンの中心であるが、依然として難しい問題である。 設計空間は離散的かつ組合せ的に大きく、勾配に基づく手法を前にして、既存のツールは真の表現をあまり捉えないヒューリスティックなプロキシ(例えば、Codon Adaptation IndexやGC-content)に依存している。 そこで我々は,LSCO(Latent-Space Codon Optimization)を導入し,シーケンスを事前訓練したmRNA言語モデルの潜在空間にマッピングすることで,この離散問題を連続的な問題として再キャストし,効率的な勾配に基づく探索を実現する。 LSCOは、不確実性を認識した予測器からのデータ駆動型表現目標、構造安定性のための最小自由エネルギー正規化器、タンパク質からコドンへのバックトランスレーションモデルに先立つ自然性、タンパク質の忠実性の制約付き復号化の4つのコンポーネントを組み合わせる。 実世界のウェットラブ抗体発現データセットでは、LSCOは単純な周波数ベース、予測された発現における近代的な深層生成ベースラインよりも優れ、適切な生物学的性質を維持している。

関連論文リスト

• ProtLingo: Efficient Protein Language Modeling via Conditional Memory and Expert Routing [39.80134572747517]
  タンパク質言語モデル(PLM)は、ラベルなし配列から配列-関数関係をモデル化するためのスケーラブルなアプローチを提供する。 ProtLingoは、条件付きローカルメモリとスパースエキスパートルーティングを備えた事前トレーニングされた単一シーケンスバックボーンを増強する、効率的なPLMフレームワークである。 ProtLingoは、突然変異効果予測の強力なパラメータ効率を含む、1億5000万スケールのバックボーンと競合するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-09-04T06:46:42Z)
• Towards A Generative Protein Evolution Machine with DPLM-Evo [73.57855006698269]
  本報告では,denoising中の置換,挿入,削除操作を明示的に予測する進化的離散拡散フレームワークDPLM-Evoについて述べる。 DPLM-Evoは、単一シーケンス設定におけるProteinGymのシーケンス理解と最先端の突然変異効果予測性能を改善した。
  論文  参考訳（メタデータ） (2026-04-30T19:59:07Z)
• Efficient Protein Optimization via Structure-aware Hamiltonian Dynamics [16.336540408998598]
  HADESはハミルトニアン力学を利用したベイズ最適化法であり、構造対応の近似後部から効率的にサンプリングする。 このような連続状態系から離散的なタンパク質配列を提案するために、位置離散化手順を導入する。 実験により,本手法はシリコン内評価において最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-01-16T05:53:53Z)
• Self Distillation Fine-Tuning of Protein Language Models Improves Versatility in Protein Design [61.2846583160056]
  Supervised Fine-tuning (SFT) は、大規模言語モデルを特殊なドメインに適応するための標準的なアプローチである。 これは、高品質なアノテートされたデータは、自然言語よりもタンパク質の入手がはるかに難しいためである。 生成したタンパク質配列の忠実度,信頼性,新規性を改善するために設計された,PLMの高速SFTのための簡易かつ汎用的なレシピを提案する。
  論文  参考訳（メタデータ） (2025-12-10T05:34:47Z)
• S$^2$Drug: Bridging Protein Sequence and 3D Structure in Contrastive Representation Learning for Virtual Screening [72.89086338778098]
  タンパク質リガンドコントラスト表現学習のための2段階フレームワークを提案する。 最初の段階では、ESM2ベースのバックボーンを用いて、ChemBLでタンパク質配列を事前訓練する。 第2段階では、残基レベルゲーティングモジュールを介して配列と構造情報を融合することでPDBBindを微調整する。 この補助的なタスクは、モデルを誘導し、タンパク質配列内の結合残基を正確に局在させ、それらの3次元空間配列をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-10T11:57:47Z)
• ProteinAE: Protein Diffusion Autoencoders for Structure Encoding [64.77182442408254]
  本稿では,新規かつ合理化されたタンパク質拡散オートエンコーダであるProteinAEを紹介する。 プロテインAEは、タンパク質のバックボーン座標を直接E(3)から連続的でコンパクトな潜在空間にマッピングする。 本研究では,既存のオートエンコーダよりも優れた,最先端の再構築品質を実現することを実証する。
  論文  参考訳（メタデータ） (2025-10-12T14:30:32Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Guided Generative Protein Design using Regularized Transformers [5.425399390255931]
  本稿では,シーケンス生成と適合性の予測を共同で行うディープトランスを用いたオートエンコーダであるReleularized Latent Space Optimization (ReLSO)を紹介する。 大規模ラベル付きデータセットの基本的なシーケンス関数のランドスケープを明示的にモデル化し,勾配に基づく手法を用いて潜在空間内を最適化する。
  論文  参考訳（メタデータ） (2022-01-24T20:55:53Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。