論文の概要: Towards Generalizing Pretrained All-Atom Representations to Unified Binder Design

• arxiv url: http://arxiv.org/abs/2610.37994v1
• Date: Tue, 27 Oct 2026 21:42:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.336952
• Title: Towards Generalizing Pretrained All-Atom Representations to Unified Binder Design
• Title（参考訳）: 統一バインダー設計への事前訓練された全原子表現の一般化に向けて
• Abstract要約: PairFormerをベースとしたオール原子モデルは、生体分子バインダー設計において強力な機能を示す。 最近の幾何学ラテント拡散モデルは、共有ラテント空間における異なるモードの分子ブロックを表現して統一バインダー設計を追求している。 本稿では,表現融合による一般化を実現するパラメータ効率の手法であるPairFuseを紹介する。
• 参考スコア（独自算出の注目度）: 12.10507186287685
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: PairFormer-based all-atom models demonstrate strong capabilities in biomolecular binder design. However, existing methods often use all-atom representations for modality-specific binder design, such as protein and peptide design. In contrast, recent geometric latent diffusion models pursue unified binder design by representing molecular blocks from different modalities in a shared latent space. These complementary strengths motivate us to investigate how to generalize the use of pretrained all-atom representations to unified binder design. We introduce PairFuse, a parameter-efficient method that enables this generalization through representation fusion. Specifically, we use lightweight layerwise adapters to integrate pretrained all-atom representations into an independently pretrained geometric latent diffusion model. Our adapters integrate pretrained all-atom representations through two mechanisms: enriching the diffusion model's molecular block features and incorporating pairwise structural information into the geometric diffusion model's denoiser. Theoretically, we prove that the augmented denoiser preserves geometry and pairwise attention fusion provides additional attention expressivity beyond feature-only fusion. Experimentally, across antibody, peptide, and small molecule binder-design benchmarks, PairFuse achieves stronger performance than the pretrained diffusion model and existing representation-fusion baselines.
• Abstract（参考訳）: PairFormerをベースとしたオール原子モデルは、生体分子バインダー設計において強力な機能を示す。 しかし、既存の手法では、タンパク質やペプチドの設計のようなモダリティ特異的なバインダー設計にオール原子表現を用いることが多い。 対照的に、最近の幾何学的潜伏拡散モデルは、共有潜伏空間における異なるモジュラリティから分子ブロックを表現することによって統一バインダー設計を追求している。 これらの相補的な強みは、事前訓練された全原子表現の統一バインダー設計への利用を一般化する方法を研究する動機となる。 本稿では,表現融合による一般化を実現するパラメータ効率の手法であるPairFuseを紹介する。 具体的には、軽量な層状アダプタを用いて、事前学習された全原子表現を独立に事前学習された幾何学的潜在拡散モデルに統合する。 我々のアダプタは、拡散モデルの分子ブロック特性を豊かにし、幾何拡散モデルのデノイザに対構造情報を組み込む2つのメカニズムを通じて、事前訓練された全原子表現を統合する。 理論的には、拡張型デノイザは幾何を保ち、一対の注意融合は特徴のみの融合を超える追加の注意表現性をもたらすことを証明している。 PairFuseは, 抗体, ペプチド, 小分子バインダー設計ベンチマークを通じて, 予め訓練した拡散モデルや既存の表現融合ベースラインよりも高い性能を達成している。

関連論文リスト

• MLIPDiff: Guiding Denoising Diffusion Models for Structure-Based Drug Design via Machine-Learned Interatomic Potentials [68.5786806222052]
  MLIPDiffは、事前訓練された拡散モデルに適用できる推論時間誘導法である。 局所幾何学を損なうことなくタンパク質とリガンドの衝突を完全に排除する。 局所幾何学を妥協することなく、衝突のない構造を実現する。
  論文  参考訳（メタデータ） (2026-10-23T21:36:52Z)
• Sesame: Structure-Aware Molecular Generation via Spatial Density-Map Conditioning [0.0]
  本稿では拡散型分子生成モデルであるSesameを紹介する。 デノボ生成とフラグメント条件付きリード最適化の両方をサポートする。 セサマはタンパク質-リガンドデータセットの大きなコーパスで訓練されている。
  論文  参考訳（メタデータ） (2026-06-22T18:48:10Z)
• Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
  両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。 Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。 また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
  論文  参考訳（メタデータ） (2026-03-30T01:54:03Z)
• Energy-Based Flow Matching for Generating 3D Molecular Structure [7.055961224018033]
  我々は、構造生成モデルのトレーニングと推論を改善するため、フローマッチングに焦点をあて、エネルギーベースの視点を採用する。 私たちのビューでは、ランダムな構成をテキストで初期化して学習するマッピング関数が得られます。 タンパク質ドッキングとタンパク質のバックボーン生成の実験は、この方法の有効性を一貫して示している。
  論文  参考訳（メタデータ） (2025-08-26T11:42:57Z)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• 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。