論文の概要: Joint Discrete and SE(3) Diffusion for Protein Interface Design

• arxiv url: http://arxiv.org/abs/2610.14699v1
• Date: Sat, 10 Oct 2026 08:16:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.091174
• Title: Joint Discrete and SE(3) Diffusion for Protein Interface Design
• Title（参考訳）: タンパク質界面設計のための関節円板とSE(3)拡散
• Abstract要約: PIDiffはタンパク質-タンパク質複合体設計のための物理化学的に強化された多モード拡散フレームワークである。 PIBenchはタンパク質データバンク(PDB)から派生した多種多様な標的足場を持つタンパク質複合体データセットである PPFrameは、シーケンス設計の成功率、構造結合エネルギー、および全てのタスクにおけるシーケンス構造共設計可能性において、ベースラインメソッドを一貫して上回る。
• 参考スコア（独自算出の注目度）: 25.175148639849468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The design of high-affinity, target-specific protein binders is central to the development of modern therapeutics. However, existing protein-generation methods remain limited in this setting, as many generated designs fail to simultaneously achieve geometric and physicochemical complementarity at binding interfaces. To address this challenge, we introduce PIDiff, a physicochemically enhanced multimodal diffusion framework for protein-protein complex design. PIDiff jointly designs target-conditioned protein sequences and structures by coupling diffusion in discrete sequence space with diffusion on the continuous (SE(3)) structural manifold. At its core, PIDiff employs PIFormer, a novel architecture that interleaves geometry-aware invariant point attention with global sequence self-attention. We further curate PIBench, a protein-protein complex dataset with diverse target scaffolds derived from the Protein Data Bank (PDB). We first pretrain PIDiff on PIBench and subsequently fine-tune it for two therapeutically relevant applications: minibinder design and antibody design. PPFrame consistently outperforms baseline methods across sequence design success rate, structure binding energy, and sequence-structure co-designability on all tasks.
• Abstract（参考訳）: 高親和性、標的特異的なタンパク質結合体の設計は、現代の治療法の発展の中心である。 しかし、既存のタンパク質生成法は、多くの生成した設計では、結合界面における幾何学的および物理化学的相補性を同時に達成できないため、この設定では限定的のままである。 この課題に対処するために,タンパク質-タンパク質複合体設計のための物理化学的に強化された多モード拡散フレームワークであるPIDiffを紹介する。 PIDiffは、連続(SE(3))構造多様体上の拡散を伴う離散列空間におけるカップリング拡散により、ターゲット条件付きタンパク質配列と構造を共同で設計する。 PIDiffの中核となるPIFormerは、幾何学的に認識される不変点の注意とグローバルシーケンスの自己注意をインターリーブする新しいアーキテクチャである。 さらに,タンパク質データバンク(PDB)由来の多種多様な標的足場を持つタンパク質-タンパク質複合体データセットPIBenchをキュレートする。 我々はまずPIBench上でPIDiffをプレトレーニングし、その後、ミニバインダー設計と抗体設計の2つの治療的応用について微調整を行った。 PPFrameは、シーケンス設計の成功率、構造結合エネルギー、および全てのタスクにおけるシーケンス構造共設計可能性において、ベースラインメソッドを一貫して上回る。

関連論文リスト

• 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)
• Joint Design of Protein Surface and Structure Using a Diffusion Bridge Model [11.265413061961128]
  PepBridgeはタンパク質の表面と構造の結合設計のための新しいフレームワークである。 受容体表面の幾何学と生化学的性質をシームレスに統合する。 多段階のプロセスを通じて完全なタンパク質構造を生成する。
  論文  参考訳（メタデータ） (2025-11-08T12:31:07Z)
• 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)
• PPDiff: Diffusing in Hybrid Sequence-Structure Space for Protein-Protein Complex Design [20.033392739225658]
  PPDiffは、任意のタンパク質標的に対するバインダーの配列と構造を共同で設計する拡散モデルである。 PPDiffは、我々の開発したシークエンス構造間ネットワーク上に、因果的注意層を持つ。 このモデルはPPBenchで事前訓練され、2つの現実世界のアプリケーションで微調整される。
  論文  参考訳（メタデータ） (2025-06-13T02:39:14Z)
• Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
  タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。 我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。 我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
  論文  参考訳（メタデータ） (2024-05-30T17:53:50Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• 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)

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。