論文の概要: InstructPro2: Natural Language and Biological Grounding Guided De Novo Protein Design

• arxiv url: http://arxiv.org/abs/2610.19592v1
• Date: Wed, 14 Oct 2026 05:09:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.966012
• Title: InstructPro2: Natural Language and Biological Grounding Guided De Novo Protein Design
• Title（参考訳）: InstructPro2: 自然言語と生物接地ガイドによるDe Novoタンパク質の設計
• Abstract要約: 自然言語設計目的をタンパク質配列に変換するために,InstructPro2を開発した。 テキストエンコーダは設計命令をキャプチャし、専用のリガンドと抗原エンコーダは配列生成デコーダに生物学的コンテキストを提供する。 機能的タンパク質生成ベンチマークでは、InstructPro2は最強のベースラインであるPinalを上回り、機能的リカバリF1を74.8対62.2で達成している。
• 参考スコア（独自算出の注目度）: 22.57543895243686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to generate proteins with desired functions is a central goal of computational biology. Although natural language can express diverse design objectives, existing protein generation methods often support only narrow tasks or make limited use of biological constraints. We develop InstructPro2 to translate natural-language design objectives into protein sequences while incorporating task-specific biological context. A text encoder captures the design instructions, while dedicated ligand and antigen encoders provide biological context to the sequence-generating decoder. For pretraining, we assemble InstructPro2Bench, comprising 205.7 million <function description, protein> pairs from UniProtKB. We subsequently adapt the model to ligand-binding protein and antibody design. On functional protein generation benchmarks, InstructPro2 outperforms Pinal, the strongest baseline, achieving a functional recovery F1 of 74.8 versus 62.2 and lowering global RMSD from 5.33A to 3.04A. For antibody design, the model obtains a DockQ score of 0.39, while ligand-binding protein design reaches a docking success rate of 72.6%. These findings highlight how integrating language-based instructions with biological conditioning can extend protein generation to distinct design settings.
• Abstract（参考訳）: 所望の機能を持つタンパク質を生成する能力は、計算生物学の中心的な目標である。 自然言語は様々な設計目的を表現できるが、既存のタンパク質生成法は狭いタスクのみをサポートするか、生物学的制約を限定的に利用する。 InstructPro2は、タスク固有の生物学的コンテキストを取り入れつつ、自然言語設計目的をタンパク質配列に変換する。 テキストエンコーダは設計命令をキャプチャし、専用のリガンドと抗原エンコーダは配列生成デコーダに生物学的コンテキストを提供する。 事前トレーニングのために、UniProtKBから205.7百万の<機能記述、タンパク質>ペアからなるInstructPro2Benchを組み立てる。 その後,リガンド結合タンパク質および抗体設計にモデルを適用した。 機能的タンパク質生成ベンチマークでは、InstructPro2は最強のベースラインであるPinalを上回り、機能的リカバリF1を74.8対62.2で達成し、グローバルRMSDを5.33Aから3.04Aに下げる。 抗体設計では、DockQスコアは0.39であり、リガンド結合タンパク質の設計はドッキング成功率72.6%に達する。 これらの知見は、言語に基づく命令を生物学的条件付けと統合することで、タンパク質生成を異なる設計設定にまで拡張できることを示す。

関連論文リスト

• Designing Protein Structures from Natural Language [58.94754292279692]
  Prompteinaは、自然言語で指定された新しいより広範な設計目的をサポートする最初の全原子構造生成モデルである。 プレトレーニングされた構造生成モデルであるProteina-Complexaを、テキスト条件付きプレトレーニングと微調整により適用し、残基を対応するテキストと整列させる。 プロンプティーナは18の構造特性の15の基線を上回り、意図された機能の記述とより密に一致するタンパク質を生成する。
  論文  参考訳（メタデータ） (2026-10-09T17:51:55Z)
• InstructPro: Natural Language Guided Ligand-Binding Protein Design [22.862346709685752]
  InstructProは、自然言語命令とリガンド式からタンパク質を設計する生成モデルのファミリーである。 トレーニングと評価を可能にするために,960万(関数記述,リガンド,タンパク質)の大規模データセットであるInstructProBenchを開発した。 InstructPro-1Bは2.46%と3.14%、InstructPro-3Bは5.06%と3.93%である。
  論文  参考訳（メタデータ） (2025-06-11T02:15:22Z)
• Protein Design with Dynamic Protein Vocabulary [22.994865560884673]
  機能記述のためのテキストエンコーダと、タンパク質を設計するためのタンパク質言語モデルと、タンパク質断片を動的に検索するフラグメントエンコーダを統合した、新規なタンパク質設計アプローチであるProDVaを紹介する。 最先端のモデルと比較して、ProDVaはトレーニングデータの0.04%未満で同等の機能アライメントを実現し、さらによく折りたたまれたタンパク質を設計する。
  論文  参考訳（メタデータ） (2025-05-25T03:50:50Z)
• ProtDAT: A Unified Framework for Protein Sequence Design from Any Protein Text Description [7.198238666986253]
  記述型テキスト入力からタンパク質を設計できるde novo微細化フレームワークを提案する。 Prot DATは、タンパク質データの本質的な特性に基づいて、配列とテキストを分離されたエンティティではなく、結合的な全体として統一する。 実験の結果,Prot DATはタンパク質配列生成の最先端性能を実現し,有理性,機能,構造的類似性,妥当性に優れていた。
  論文  参考訳（メタデータ） (2024-12-05T11:05:46Z)
• A Text-guided Protein Design Framework [106.79061950107922]
  本稿では,タンパク質設計のためのテキスト記述を利用するマルチモーダルフレームワークであるProteinDTを提案する。 タンパク質DTは以下の3つのステップから構成される:2つのモダリティの表現を整列するProteinCLAP、テキストモダリティからタンパク質表現を生成するファシリテーター、表現からタンパク質配列を生成するデコーダ。 本研究では,(1)テキスト誘導タンパク質生成における90%以上の精度,(2)ゼロショットテキスト誘導タンパク質編集タスクにおけるベストヒット率,(3)タンパク質特性予測ベンチマーク6項目中4項目における優れた性能の3つの課題に対するProteinDTの有効性を定量的に検証した。
  論文  参考訳（メタデータ） (2023-02-09T12:59:16Z)
• Structure-informed Language Models Are Protein Designers [69.70134899296912]
  配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。 pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。 実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-02-03T10:49:52Z)

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。