論文の概要: Multi-Objective Protein Optimization via Modular Diffusion Steering

• arxiv url: http://arxiv.org/abs/2610.28943v1
• Date: Tue, 20 Oct 2026 21:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.149405
• Title: Multi-Objective Protein Optimization via Modular Diffusion Steering
• Title（参考訳）: モジュール拡散ステアリングによる多目的タンパク質最適化
• Abstract要約: MODSは、推論時拡散ステアリングによる多目的タンパク質最適化のためのフレームワークである。 実験データに基づいて訓練した予測オラクルを用いて,6つのタンパク質最適化タスクにおけるMODSを評価し,2つの拡散モデルと2つのステアリング手順で評価した。
• 参考スコア（独自算出の注目度）: 28.186816189663706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein engineering often requires improving several properties simultaneously, motivating the search for high-performing sequences that represent useful fitness tradeoffs. Discovering these sequences is challenging because the design space is combinatorially large and experimental campaigns often permit only a few rounds of batched measurements. We introduce \textit{MODS}, a modular framework for multi-objective protein optimization via inference-time diffusion steering. For each proposal, MODS samples augmented Chebyshev scalarization weights and a fitness-surrogate ensemble member to define a scalar steering reward. Varying the weights directs generation toward different objective tradeoffs, while varying ensemble members diversifies the predictions used for guidance. Because MODS expresses multi-objective acquisition through scalar rewards, it can be paired with different diffusion models and compatible steering procedures. After each evaluation batch, MODS updates the surrogates without retraining the generative model. We evaluate MODS on six protein optimization tasks using predictive oracles trained on experimental assay data, with two diffusion models and two steering procedures. MODS achieves competitive final hypervolume across all six tasks with both diffusion models, and substantially outperforms the best evaluated baseline on several tasks. Our results demonstrate a flexible and effective approach to multi-objective protein optimization with limited feedback.
• Abstract（参考訳）: タンパク質工学は、しばしばいくつかの特性を同時に改善する必要がある。 これらのシーケンスの発見は、設計空間が組み合わさって大きく、実験的なキャンペーンでは、しばしば数ラウンドのバッチ測定しか許されないため、難しい。 Inference-time diffusion steering による多目的タンパク質最適化のためのモジュラーフレームワークである \textit{MODS} を紹介する。 各提案では、チェビシェフのスカラー化重量とフィットネスサロゲートアンサンブル部材を加味してスカラーステアリング報酬を定義する。 重み付けは、異なる目的のトレードオフに向けて生成を誘導し、異なるアンサンブルメンバーはガイダンスに使用される予測を多様化する。 MODSはスカラー報酬による多目的獲得を表現するため、異なる拡散モデルと互換性のあるステアリング手順と組み合わせることができる。 各評価バッチの後、MODSは生成モデルを再トレーニングすることなくサロゲートを更新する。 実験データに基づいて訓練した予測オラクルを用いて,6つのタンパク質最適化タスクにおけるMODSを評価し,2つの拡散モデルと2つのステアリング手順で評価した。 MODSは2つの拡散モデルで6つのタスクすべてで競合する最終超体積を達成し、いくつかのタスクにおいて最も評価されたベースラインを著しく上回っている。 本研究は,フィードバックを限定した多目的タンパク質最適化への柔軟かつ効果的なアプローチを示すものである。

関連論文リスト

• MATO: Multi-objective Personalized Alignment with Test-time Optimization for Large Language Models [47.91243135663066]
  テスト時間最適化を伴う多目的パーソナライズアライメントのためのトレーニングフリーフレームワークであるMATOを紹介する。 MATOはパーソナライゼーションをテスト時間最適化問題として定式化し、復号時に制御可能な重みを通して複数の目的を相対的に重要視する。
  論文  参考訳（メタデータ） (2026-05-25T01:57:22Z)
• CAMO: A Conditional Neural Solver for the Multi-objective Multiple Traveling Salesman Problem [13.232337043603161]
  多目的多目的トラベリングセールスマン問題(MOMTSP)に対する条件付きニューラルネットワークCAMOを提案する。 ターゲット、エージェント、選好ベクトルの様々な数にまたがって一般化し、パレートフロント(PF)に高品質な近似をもたらす。 実験により、CAMOは神経と慣性の両方に優れており、PFのより近い近似が達成されている。
  論文  参考訳（メタデータ） (2026-03-19T15:59:45Z)
• Multi-Objective Coverage via Constraint Active Search [8.977841680385627]
  我々は,代表サンプルの小さな集合を特定することを目的として,新たな多目的カバレッジ(MOC)問題を定式化する。 楽観的なサンプルを選択するために,高信頼度境界ベース獲得関数を用いた新しい検索アルゴリズムMOC-CASを提案する。 競合ベースラインと比較して,我々のMOC-CASはSARS-CoV-2および癌に対する大規模タンパク質ターゲットデータセットに対して,経験的に優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-17T14:07:16Z)
• Tiny-R1V: Lightweight Multimodal Unified Reasoning Model via Model Merging [34.0419616643477]
  Tiny-R1Vは2段階最適化により高速な推論と高精度を実現する軽量3Bモデルである。 最初の段階では、Tiny-R1Vは、新しい強化学習法であるLength-Informed Relative Policy Optimization (LIPO)を導入した。 第2段階では、トレーニング不要なモデルマージ手法である適応モデルマージ(AMM)を提案する。
  論文  参考訳（メタデータ） (2025-10-10T04:14:57Z)
• Steering Generative Models with Experimental Data for Protein Fitness Optimization [25.404040461393876]
  タンパク質の適合性最適化は、可能なシーケンスの大きな設計空間において、所望の量的特性を最大化する配列を見つけることを伴う。 ラベル付きデータによるタンパク質生成モデルの最近の進歩は、有望なアプローチである。 本研究では,ラベル付きシーケンス適合性ペアの少量(数百)を用いた適合度最適化について検討する。
  論文  参考訳（メタデータ） (2025-05-21T04:30:48Z)
• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• Beyond One-Preference-Fits-All Alignment: Multi-Objective Direct Preference Optimization [76.09576643028362]
  複数のアライメント目的に対してMODPO(Multi-Objective Direct Preference Optimization)を提案する。 MODPOは、言語モデリングを直接報酬モデルに折り畳み、暗黙の集団報酬モデルとして言語モデルを訓練する。 理論的には MORLHF と同じ最適解が得られるが、実質的にはより安定で効率的である。
  論文  参考訳（メタデータ） (2023-10-05T17:35:26Z)
• BOtied: Multi-objective Bayesian optimization with tied multivariate ranks [33.414682601242006]
  本稿では,非支配解と結合累積分布関数の極端量子化との自然な関係を示す。 このリンクにより、我々はPareto対応CDFインジケータと関連する取得関数BOtiedを提案する。 種々の合成および実世界の問題に対する実験により,BOtied は最先端MOBO 取得関数より優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-01T04:50:06Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)

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。