論文の概要: GOLD: Geometric Optimized Latent Diffusion for Structure-Aware RNA Inverse Folding

• arxiv url: http://arxiv.org/abs/2610.22992v1
• Date: Fri, 16 Oct 2026 06:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.792907
• Title: GOLD: Geometric Optimized Latent Diffusion for Structure-Aware RNA Inverse Folding
• Title（参考訳）: GOLD:構造認識RNA逆フォールディングのための幾何学的最適化潜在拡散
• Abstract要約: 現在のRNA逆フォールディング法は一般的に3次元のバックボーン座標で条件付けられるが、生成は1次元の離散配列に制限される。 本稿では,幾何最適化潜在拡散(textbfGOLD)を提案する。 金は、シークエンスリカバリ、二次構造妥当性、および3次元の折りたたみ性の測定で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）: 20.427539144611995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing RNA sequences that fold into specific 3D structures is a fundamental challenge in therapeutics. Current RNA inverse folding methods typically condition on 3D backbone coordinates but the generation is limited to 1D discrete sequences. This ignores the continuous side-chain orientations, which are essential for overall structural stability. To address this issue, we explicitly introduce side-chain geometry into the RNA generative process. Unlike co-design frameworks that diffuse across separate raw spaces, we propose Geometric Optimized Latent Diffusion (\textbf{GOLD}), which project sequence and structure into a unified latent manifold. GOLD employs a novel GeoVAE to elegantly integrate discrete RNA sequences with continuous side-chain angles. By mapping these modalities into a single, smooth latent manifold, GOLD naturally facilitates a synergistic co-diffusion process. To enhance structural validity, we further introduce a training-free, gradient-guided sampling mechanism. By decoding the generated sequence probabilities and side-chain geometries into structures during the sampling process, we compute analytical gradients from physical constraints. This dynamic feedback actively guides the generated sequence to a physically stable state. Extensive experiments validate the superiority of GOLD, achieving state-of-the-art performance across sequence recovery, secondary structure validity, and 3D foldability metrics. Our code and data are publicly available at https://github.com/darkflash03/GOLD.
• Abstract（参考訳）: 特定の3D構造に折り畳まれたRNA配列を設計することは治療の根本的な課題である。 現在のRNA逆フォールディング法は一般的に3次元のバックボーン座標で条件付けられるが、生成は1次元の離散配列に制限される。 これは、全体的な構造安定性に不可欠な、継続的なサイドチェーンの向きを無視します。 この問題に対処するために、RNA生成プロセスにサイドチェーン幾何を明示的に導入する。 異なる原空間にまたがって拡散する共設計フレームワークとは異なり、幾何最適化潜在拡散(英語版)(Geometric Optimized Latent Diffusion)(\textbf{GOLD})を提案する。 GOLDは新規なGeoVAEを用いて、連続した側鎖角を持つ独立したRNA配列をエレガントに統合する。 これらのモジュラリティを1つの滑らかな潜在多様体にマッピングすることにより、GOLDは自然に相乗的共拡散過程を促進する。 構造的妥当性を高めるため,トレーニング不要で勾配誘導型サンプリング機構を導入する。 サンプリングプロセス中に生成されたシーケンス確率とサイドチェーンのジオメトリを構造に復号することにより、物理的制約から解析的勾配を計算する。 この動的フィードバックは、生成したシーケンスを物理的に安定な状態に誘導する。 GOLDの優位性、シーケンス回復における最先端性能、二次構造妥当性、および3次元折りたたみ性の測定結果の総合的な評価実験を行った。 私たちのコードとデータはhttps://github.com/darkflash03/GOLD.comで公開されています。

関連論文リスト

• Strips as Tokens: Artist Mesh Generation with Native UV Segmentation [84.90920018424036]
  Strips as Tokens (SATO) は三角形のストリップにインスパイアされたトークン注文戦略を持つ新しいフレームワークである。 本手法は,UV境界を明示的に符号化した面の連結連鎖として配列を構成することにより,組織化されたエッジフローを自然に保存する。 この定式化の鍵となる利点は統一表現であり、同じトークン列を三角形または四辺メッシュに復号することができる。
  論文  参考訳（メタデータ） (2026-04-10T09:13:09Z)
• RiboSphere: Learning Unified and Efficient Representations of RNA Structures [57.40815107640066]
  RNAのバックボーンは非常に柔軟で、非カノニカル相互作用が一般的であり、実験的に決定された3D構造は比較的少ない。 本稿では,ベクトル量子化とフローマッチングを組み合わせることで,RNAの固有な幾何学的表現を学習するフレームワークであるemphRiboSphereを紹介する。
  論文  参考訳（メタデータ） (2026-03-20T04:36:35Z)
• Structural Action Transformer for 3D Dexterous Manipulation [80.07649565189035]
  クロス・エボディメント・スキル・トランスファーは、ハイDoFロボットハンドの課題である。 既存の手法は、しばしば2次元の観測と時間中心の行動表現に依存し、3次元の空間的関係を捉えるのに苦労する。 本稿では、構造中心の視点を導入することで、このパラダイムに挑戦する新しい3Dデクスタラスな操作ポリシーを提案する。
  論文  参考訳（メタデータ） (2026-03-04T11:38:12Z)
• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• RIDER: 3D RNA Inverse Design with Reinforcement Learning-Guided Diffusion [19.386628516684695]
  RIDERはRNA Inverse Designフレームワークであり、Reinforcement Learningは3D構造的類似性を直接最適化する。 まず,対象3次元構造に条件付きGNNに基づく生成拡散モデルの開発と事前学習を行う。 そして,3次元自己整合性指標に基づく4つのタスク固有報酬関数を用いて,改良されたポリシー勾配アルゴリズムを用いてモデルを微調整する。
  論文  参考訳（メタデータ） (2026-02-18T15:52:26Z)
• Deep Learning Framework for RNA Inverse Folding with Geometric Structure Potentials [0.0]
  エンド・ツー・エンドのRNA設計を可能にするために、Geometric Vector PerceptronレイヤとTransformerアーキテクチャを統合したディープラーニングフレームワークを紹介します。 本研究では,BGSU RNAリストから抽出・分解したRNA3D構造からなるデータセットを構築し,配列回復率とTMスコアの両方を用いて性能評価を行った。 私のモデルは最先端のパフォーマンスを達成し、リカバリとTMスコアは0.481と0.332で、RNAファミリーや長さスケールにまたがる既存の手法を上回ります。
  論文  参考訳（メタデータ） (2025-12-31T15:43:12Z)
• Geometric Neural Process Fields [58.77241763774756]
  幾何学的ニューラル・プロセス・フィールド(Geometric Neural Process Fields, G-NPF)は、ニューラル・ラディアンス・フィールドの確率的フレームワークである。 これらの基盤の上に構築された階層型潜在変数モデルにより、G-NPFは複数の空間レベルにまたがる構造情報を統合できる。 3次元シーンと2次元画像と1次元信号レグレッションの新規ビュー合成実験により,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2025-02-04T14:17:18Z)
• gRNAde: Geometric Deep Learning for 3D RNA inverse design [14.729049204432027]
  gRNAdeは3次元RNAバックボーンで動作する幾何学的RNA設計パイプラインである。 構造と力学を明示的に考慮したシーケンスを生成する。
  論文  参考訳（メタデータ） (2023-05-24T05:46:56Z)
• 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。