論文の概要: PeptSol: A Translational Benchmark for Protected-Peptide Solubility in Drug Manufacturing

• arxiv url: http://arxiv.org/abs/2611.00749v2
• Date: Wed, 04 Nov 2026 21:12:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.264398
• Title: PeptSol: A Translational Benchmark for Protected-Peptide Solubility in Drug Manufacturing
• Title（参考訳）: PeptSol: 医薬品製造における保護ペプチド溶解度に関する翻訳ベンチマーク
• Abstract要約: 液相ペプチド合成(LPPS)はペプチド製造へのスケーラブルな経路を提供する。 PeptSolは1388個の保護ペプチド溶解度測定のオープンベンチマークである。 化学指紋と明示的な分子記述子を組み合わせたベースラインを一貫して上回る基礎モデルは存在しない。
• 参考スコア（独自算出の注目度）: 41.48162208146844
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Liquid-phase peptide synthesis (LPPS) offers a scalable route to peptide manufacturing, but route development still depends on empirical solvent screens because each protected intermediate must be soluble for reaction and recoverable for purification. The protecting groups, terminal modifications, and noncanonical residues that govern this behaviour are poorly represented in existing peptide property benchmarks, limiting the ability to develop and rigorously evaluate molecular representation models for LPPS-relevant prediction tasks. We introduce PeptSol, an open benchmark of 1388 hand-curated protected-peptide solubility measurements with chemistry-aware splits. The measurements span only 84 parent sequences and 101 protected structures, and 92.5% come from a single historical programme. Across seven frozen molecular encoders, the best macro-F1 is 0.843 on binary solubility for the historical subset under a peptide-held-out split; the harder three-class ordinal task reaches 0.614 in that cell. No foundation model consistently outperforms a baseline combining chemical fingerprints with explicit molecular descriptors, and model rankings vary across prediction tasks and data splits. The dataset, evaluation protocol, and baselines establish a standard for measuring progress on molecular representations for synthesis-aware peptide developability.
• Abstract（参考訳）: 液相ペプチド合成(LPPS)はペプチド製造へのスケーラブルな経路を提供するが、それぞれの保護された中間体は反応に可溶であり、精製のために回収可能であるため、経路の発達は経験的な溶媒スクリーンに依存している。 この挙動を規定する保護基、末端修飾および非カノニカル残基は、既存のペプチド特性ベンチマークでは不十分であり、LPPS関連予測タスクのための分子表現モデルの開発と厳密な評価の能力を制限している。 ケミカル・アウェア・スプリットを用いた1388ハンドキュレート保護ペプチド溶解度測定のオープンベンチマークであるPeptSolを紹介した。 測定対象は84の親配列と101の保護された構造のみであり、92.5%は単一の歴史的プログラムから来ている。 7つの凍結した分子エンコーダの中で、最も優れたマクロF1は、ペプチドを留置した分割条件下での歴史的サブセットに対する二成分溶解度0.843であり、その細胞ではより硬い三級順序課題が0.614に達する。 化学指紋と明示的な分子記述子を組み合わせたベースラインを一貫して上回り、モデルランキングは予測タスクやデータ分割によって異なる。 データセット、評価プロトコル、ベースラインは、合成対応ペプチド発生性のための分子表現の進歩を測定する標準を確立する。

関連論文リスト

• MoEDDI: Semantic Mixtures of Experts for Long Tailed Drug Drug Interaction Prediction [0.7709145476367948]
  MoEDDIは、低次元統計を用いて重なり合う記述子ファミリーをルートする、化学的に組織された試験混合物である。 2ドルという高額な混合物とグローバルなT-DDI経路を結合し、残高補正を行う。 178クラス、86クラス、92クラスの完全なテストパーティションで、MoEDDIは再生されたシード2026 T-DDIベースラインよりもマクロF1を改善している。
  論文  参考訳（メタデータ） (2026-10-31T23:19:24Z)
• Coarse composition suffices: tabular in-context learning for multi-activity antimicrobial peptide profiling [2.571440349338848]
  単純なシーケンスのみのパイプラインは、マルチモーダルな構造条件のディープモデルにマッチし、超えられることを示す。 ESCAPE (82,359 peptides; 5 labels)では、ラベル・パワーセットのTabPFNモデルがmAP-5 = 77.8%を達成する。
  論文  参考訳（メタデータ） (2026-08-31T06:50:09Z)
• Benchmarking Peptide-Protein Affinity Prediction Across Peptide and Target Shifts [3.2000742569384237]
  定量的ペプチド-タンパク質結合データの3つのソースを統合し, 11,349個の脱重複ペアを得た。 ペプチド相似性, 標的内, 離脱対象の分割条件下で, 10個のペプチド表現, ESM-2タンパク質埋め込み, 6個の回帰因子を比較検討した。
  論文  参考訳（メタデータ） (2026-08-31T02:56:26Z)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• AdaNovo: Adaptive \emph{De Novo} Peptide Sequencing with Conditional Mutual Information [46.23980841020632]
  本稿では,各アミノ酸/ペプチド間の条件付き相互情報(CMI)を計算する新しいフレームワークであるAdaNovoを提案する。 AdaNovoは翻訳後修飾(PTM)によるアミノ酸の同定に優れ、データノイズに対する堅牢性を示す。
  論文  参考訳（メタデータ） (2024-03-09T11:54:58Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)

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。