論文の概要: RiboBridge: protein-conditioned de novo RNA binder structure design

• arxiv url: http://arxiv.org/abs/2610.30668v1
• Date: Thu, 22 Oct 2026 03:32:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.201354
• Title: RiboBridge: protein-conditioned de novo RNA binder structure design
• Title（参考訳）: RiboBridge:タンパク質条件ド・ノボRNA結合体の構造設計
• Abstract要約: RiboBridgeは、RNAコンフォメーション生成をタンパク質-RNAアセンブリから分離する構造第一のフレームワークである。 我々は124個のタンパク質-RNA複合体のベンチマークでRiboBridgeを評価した。
• 参考スコア（独自算出の注目度）: 62.77647358218761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing RNA molecules that bind to target protein structures requires generating both an RNA conformation and its bound complex geometry, without assuming a predefined binding site. Existing approaches generally model these coupled processes within a unified representation, entangling RNA conformation generation with protein-relative placement. In this work, we introduce RiboBridge, a structure-first framework that separates RNA conformational generation from protein--RNA assembly through cross-frame interaction geometry. RiboBridge first proposes multiple candidate RNA-binding interfaces on the protein surface, generates canonical RNA conformations within a pretrained RNA structural latent space (RiboSphere), and then predicts protein--RNA interaction constraints to bridge the independently defined RNA and protein coordinate frames. The resulting interaction geometry is converted into a geometrically consistent protein-relative pose through rigid placement. We evaluate RiboBridge on a temporally split, sequence-filtered, and redundancy-controlled benchmark of 124 protein--RNA complexes. Under post-hoc interface-correspondence evaluation, where native information is used only after generation to select among already generated predicted-pocket candidates, RiboBridge achieves the highest fNAT and DockQ and the lowest interface and ligand RMSDs among compared methods. Component ablations and stage-wise diagnostics further characterize the contributions of RNA conformational generation, interaction prediction, and rigid placement, identifying the main sources of complex-recovery error.
• Abstract（参考訳）: 標的タンパク質構造に結合するRNA分子を設計するには、事前に定義された結合部位を仮定することなく、RNAコンホメーションとその結合した複雑な構造の両方を生成する必要がある。 既存のアプローチは一般的に、結合した過程を統一された表現の中でモデル化し、RNAコンフォメーション生成とタンパク質の相対的な配置を関連づける。 本稿では,RNAコンフォメーション生成とタンパク質-RNAアッセンブリを相互相互作用幾何学で分離する構造第一のフレームワークであるRiboBridgeを紹介する。 RiboBridgeはまず、タンパク質表面上の複数の候補RNA結合インターフェースを提案し、事前訓練されたRNA構造潜在空間(RiboSphere)内で標準RNAコンホメーションを生成し、その後、独立に定義されたRNAとタンパク質の座標フレームをブリッジするためにタンパク質-RNA相互作用の制約を予測する。 結果として生じる相互作用幾何学は、厳密な配置によって幾何学的に一貫したタンパク質相対的なポーズに変換される。 124個のタンパク質-RNA複合体の時間分解, 配列フィルタリング, 冗長性制御ベンチマーク上でのRiboBridgeの評価を行った。 ポストホックインタフェース対応評価では、生成後にのみネイティブ情報が使用され、既に生成された予測ポケット候補の中から選択されるため、RiboBridgeは最も高いfNATとDockQ、最も低いインターフェイスとリガンドRMSDを比較手法で達成する。 コンポーネントの短縮と段階的診断により、RNAコンフォメーション生成、相互作用予測、厳密な配置の寄与がさらに特徴づけられ、複雑な回復エラーの主な原因が特定される。

関連論文リスト

• 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)
• BAnG: Bidirectional Anchored Generation for Conditional RNA Design [15.92155083519678]
  既存の計算手法では、特定のタンパク質ごとに既知のRNA配列がかなり必要である。 RNA-BAnGは,タンパク質相互作用のためのRNA配列を生成するための深層学習モデルである。
  論文  参考訳（メタデータ） (2025-02-28T17:51:00Z)
• RNAFlow: RNA Structure & Sequence Design via Inverse Folding-Based Flow Matching [7.600990806121113]
  RNAFlowはタンパク質条件のRNA配列構造設計のためのフローマッチングモデルである。 そのデノナイジングネットワークはRNA逆フォールディングモデルと事前訓練されたRosettaFold2NAネットワークを統合し、RNA配列と構造を生成する。
  論文  参考訳（メタデータ） (2024-05-29T05:10:25Z)
• RDesign: Hierarchical Data-efficient Representation Learning for Tertiary Structure-based RNA Design [65.41144149958208]
  本研究では,データ駆動型RNA設計パイプラインを体系的に構築することを目的とする。 我々は、ベンチマークデータセットを作成し、複雑なRNA第三次構造を表現するための包括的な構造モデリングアプローチを設計した。 RNA設計プロセスを容易にするために,塩基対を持つ抽出二次構造体を事前知識として組み込んだ。
  論文  参考訳（メタデータ） (2023-01-25T17:19:49Z)
• 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)
• Accurate RNA 3D structure prediction using a language model-based deep learning approach [50.193512039121984]
  RhoFold+はRNA言語モデルに基づくディープラーニング手法で、配列から単一鎖RNAの3次元構造を正確に予測する。 RhoFold+はRNA 3D構造予測のための完全に自動化されたエンドツーエンドパイプラインを提供する。
  論文  参考訳（メタデータ） (2022-07-04T17:15:35Z)

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。