論文の概要: Ensemble-Aware Structural Encoding (EASE): Conditioning Protein Encoders on Peptide Conformational Ensembles

• arxiv url: http://arxiv.org/abs/2610.27638v1
• Date: Tue, 20 Oct 2026 05:02:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.655828
• Title: Ensemble-Aware Structural Encoding (EASE): Conditioning Protein Encoders on Peptide Conformational Ensembles
• Title（参考訳）: Ensemble-Aware Structure Encoding (EASE):Peptide Conformational Ensemblesにおけるタンパク質エンコーダのコンディショニング
• Abstract要約: ペプチド表現のためのコンフォメーションアンサンブルから構造情報を効果的に抽出するフレームワークであるEnsemble-Aware Structure EASEを紹介する。 コンフォーマーから有用な情報を抽出するために、EASEはペプチドの主要な構造状態を表す中央コンフォーマーを選択し、それぞれの表現を置換イン演算子と融合させ、下流予測のためのペプチドレベル表現を生成する。
• 参考スコア（独自算出の注目度）: 34.992547389127644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein foundation models provide transferable representations for downstream peptide prediction tasks. However, existing representations typically reduce a peptide to a single sequence or structure, which may miss conformational variability relevant to key peptide properties, including antibacterial activity, hemolysis, toxicity, stability, and binding. For example, protease resistance correlates more strongly with conformational dynamics measured by hydrogen exchange than with average helicity. Therefore, we introduce Ensemble-Aware Structural Encoding (EASE), a framework for effectively extracting structural information from conformational ensembles for peptide representation. To extract useful information from noisy conformers, EASE selects central conformers representing a peptide's major structural states and fuses their individual representations with a permutation-invariant operator to produce a peptide-level representation for downstream prediction. We then evaluate our framework on six peptide property-prediction tasks under leakage-controlled splits. Against matched single-structure baselines, EASE improves performance consistently on six tasks with a mean absolute gain of about 3.0% across two structural encoders. Gains keep growing as we add conformers through K=20. A single peptide conformer therefore provides a limited basis for structural representation, whereas our framework distilling and fusing multiple conformers yields a more informative representation.
• Abstract（参考訳）: タンパク質基盤モデルは下流ペプチド予測タスクに伝達可能な表現を提供する。 しかし、既存の表現は、通常、ペプチドを単一の配列または構造に還元するが、これは、抗菌活性、溶血、毒性、安定性、結合など、主要なペプチドの性質に関連するコンフォメーションの変動を見逃す可能性がある。 例えば、プロテアーゼ抵抗性は、平均ヘリシティよりも水素交換によって測定されるコンフォメーションダイナミクスと強く相関する。 そこで本研究では,ペプチド表現のためのコンフォメーションアンサンブルから構造情報を効果的に抽出するフレームワークであるEnsemble-Aware Structure Encoding (EASE)を紹介した。 ノイズの多いコンフォメータから有用な情報を抽出するために、EASEは、ペプチドの主要な構造状態を表す中央コンフォメータを選択し、それぞれの表現を置換不変作用素と融合させ、下流予測のためのペプチドレベル表現を生成する。 次に,6つのペプチド特性予測課題に関する枠組みを,漏洩制御された分割条件下で評価した。 一致した単一構造ベースラインに対して、EASEは2つの構造エンコーダで平均3.0%の絶対的なゲインを持つ6つのタスクのパフォーマンスを一貫して改善する。 K=20でコンバータを追加するにつれて、ゲインは増え続けます。 したがって、単一のペプチドコンフォメータは構造表現の限られた基盤を提供するのに対し、我々のフレームワークは複数のコンフォメータを蒸留し、融合させることにより、より情報的な表現をもたらす。

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)
• ZeroFold: Protein-RNA Binding Affinity Predictions from Pre-Structural Embeddings [7.1857665261026575]
  タンパク質-RNA結合親和性の正確な予測は、構造生物学において未解決の問題である。 ここでは, 既設の埋設物を抽出することにより, この障害に対処できることを示す。 我々はZeroFoldというトランスフォーマーをベースとしたモデルを構築し、Boltz-2からタンパク質とRNA分子の両方に組み込む。
  論文  参考訳（メタデータ） (2026-03-24T15:14:44Z)
• PepEDiff: Zero-Shot Peptide Binder Design via Protein Embedding Diffusion [3.9876702935151225]
  本稿では、標的受容体タンパク質配列とそのポケット残基の結合配列を設計する新規ペプチドバインダージェネレータであるPepediffを紹介する。 本手法は, 予め訓練されたタンパク質の埋め込みモデルから導かれる連続潜伏空間において, バインダー配列を直接生成することによって既存の手法から逸脱する。 その単純さにもかかわらず、ベンチマークテストやTIGITケーススタディにおいて、我々の手法は最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2026-01-19T19:07:32Z)
• 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)
• PepTriX: A Framework for Explainable Peptide Analysis through Protein Language Models [0.3823356975862005]
  PepTriXは1次元(1D)配列の埋め込みと3次元(3D)構造特徴をグラフアテンションネットワークを介して統合する新しいフレームワークである。 予測的堅牢性と解釈可能なバリデーションの両方を提供し、パフォーマンス駆動ペプチドレベルモデル(PLM)とペプチド研究におけるドメインレベルの理解のギャップを埋める。
  論文  参考訳（メタデータ） (2025-11-13T12:22:05Z)
• 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)
• Protein Inverse Folding From Structure Feedback [78.27854221882572]
  本稿では,タンパク質の折りたたみモデルからのフィードバックを用いて,逆折りたたみモデルを微調整する手法を提案する。 CATH 4.2 テストセットの結果,DPO の微調整により平均 TM-Score が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-06-03T16:02:12Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
  化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。 既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:51:10Z)
• 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。