論文の概要: PIT-GCL: Protein Interaction using Topological Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2610.04850v2
• Date: Tue, 06 Oct 2026 21:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.390056
• Title: PIT-GCL: Protein Interaction using Topological Graph Contrastive Learning
• Title（参考訳）: PIT-GCL:トポロジカルグラフを用いたタンパク質相互作用
• Abstract要約: PIT-GCLは、アミノ酸配列、C点雲、グローバル持続ホモロジー記述子から独立して各タンパク質をコードする二重塔構造認識フレームワークである。 各タンパク質は第1段階で独立にコード化されているため、その表現は候補ペア間で事前計算や再利用が可能であり、大規模なスクリーニングに有用である。
• 参考スコア（独自算出の注目度）: 1.017178917020771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein binding prediction is central to target identification, therapeutic binder design, and large scale screening, yet remains challenging because binding depends on sequence, three dimensional geometry, and global structural organization. Recent folding models such as AlphaFold3 and Boltz-2 have substantially improved structure prediction, but their confidence outputs (pLDDT, pTM, ipTM) are not specifically designed for binary binding prediction, and dedicated structure aware predictors often require bound complex structures that are unavailable at screening scale. We introduce PIT-GCL, a dual tower structure aware framework that encodes each protein independently from its amino acid sequence, Cα point cloud, and a global persistent homology descriptor. Each tower combines residue ESM-2 embeddings with a topological summary computed from the H0 and H1 persistence landscapes of a Vietoris-Rips filtration, and processes the resulting tokens with a structure aware Transformer in which pairwise Cα distances enter as a learned attention bias. A bidirectional cross attention module then performs latent space soft docking between the two per-protein representations, and the model is trained with a combined binary cross entropy and NT-Xent contrastive objective. On three binary interaction prediction benchmarks, general PPI on PPIRef, TCRpMHC binding on STAG, and whole chain pairs on PPB-Affinity, PIT-GCL outperforms representative sequence based, structure aware, and task specific baselines on general PPI under our evaluation, and is the only method above chance on PPB-Affinity; on TCR-pMHC it leads at a fixed decision threshold but is outranked by a task specific sequence model. Because each protein is encoded independently in the first phase, its representation can be precomputed and reused across candidate pairs, which is convenient for large scale screening.
• Abstract（参考訳）: タンパク質結合予測は, 標的同定, 治療用バインダー設計, 大規模スクリーニングにおいて中心的な役割を担っているが, 結合は配列, 3次元形状, 大域構造構造に依存するため, 依然として困難である。 AlphaFold3やBoltz-2のような最近の折りたたみモデルは構造予測を大幅に改善しているが、その信頼性出力(pLDDT、pTM、ipTM)はバイナリバインディング予測のために特別に設計されていない。 PIT-GCLは、アミノ酸配列、Cα点雲、グローバル永続ホモロジー記述子から独立して各タンパク質をコードする二重塔構造認識フレームワークである。 各塔は、残留ESM-2埋め込みと、ビエトリス・リップス濾過のH0とH1の持続的な景観から計算された位相的要約を結合し、得られたトークンを、学習された注意バイアスとしてCα距離が入力される構造認識変換器で処理する。 双方向のクロスアテンションモジュールは、タンパク質ごとの2つの表現の間に潜在空間のソフトドッキングを行い、そのモデルに2成分のクロスエントロピーとNT-Xentのコントラスト目的を併用して訓練する。 PPIRef 上の一般 PPI,STAG 上の TCRpMHC 結合,および PPB-Affinity 上の全チェーンペアにおいて,PIT-GCL は一般 PPI 上の代表シーケンス,構造認識,タスク固有のベースラインよりも優れており,PPB-Affinity 上のチャンス以上の方法である。 各タンパク質は第1段階で独立にコード化されているため、その表現は候補ペア間で事前計算や再利用が可能であり、大規模なスクリーニングに有用である。

関連論文リスト

• PairSAE: Mechanistic Interpretability from Pair Representations in Protein Co-Folding [2.360330081206126]
  我々はNモードSVDによるペアワイズテンソルをトークンワイズインタラクションロールに要約するPairSAEを紹介する。 次に、スパースオートエンコーダを使用して、シーケンスとペア表現の両方にデコードするトークンレベルの機能の共有セットを学習する。 これらの結果は、PairSAEが構造生物学の基礎モデルの潜在空間と解釈可能な構造概念を結びつけていることを示している。
  論文  参考訳（メタデータ） (2026-06-25T18:01:44Z)
• On fine-tuning Boltz-2 for protein-protein affinity prediction [1.7607577951969595]
  我々は,タンパク質-リガンド親和性予測器であるボルツ-2をタンパク質-タンパク質親和性回帰に適用した。 構造精度が高いにもかかわらず、Boltz-2-PPIは、小規模データと大規模データレギュレーションの両方において、シーケンスベースの代替よりも性能が低い。 その結果、構造データによるトレーニングに伴う既知のバイアスを反映し、現在の構造に基づく表現は、性能的親和性予測には適さないことが示唆された。
  論文  参考訳（メタデータ） (2025-12-06T23:07:10Z)
• 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)
• 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)
• Beyond Simple Concatenation: Fairly Assessing PLM Architectures for Multi-Chain Protein-Protein Interactions Prediction [0.2509487459755192]
  タンパク質とタンパク質の相互作用 (PPIs) は、多くの細胞プロセスの基礎である。 PLMはタンパク質の構造と機能を予測するのに顕著な成功を収めた。 シークエンスベースのPPI結合親和性予測への応用は、いまだに未検討である。
  論文  参考訳（メタデータ） (2025-05-26T14:23:08Z)
• MeToken: Uniform Micro-environment Token Boosts Post-Translational Modification Prediction [65.33218256339151]
  翻訳後修飾(PTM)はプロテオームの複雑さと機能を大幅に拡張する。 既存の計算手法は主に、配列依存的なモチーフの認識によって引き起こされる、PTM部位を予測するタンパク質配列に焦点を当てている。 本稿では,各酸のマイクロ環境をトークン化し,シーケンス情報と構造情報を統一された離散トークンに統合するMeTokenモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-04T07:14:28Z)
• 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)
• Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
  我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。 本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。 我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
  論文  参考訳（メタデータ） (2021-11-15T18:46:37Z)

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。