論文の概要: Auto-Research Agent on MSA Organization to Improve Protein-Protein Complex Structure Prediction

• arxiv url: http://arxiv.org/abs/2611.03183v2
• Date: Tue, 03 Nov 2026 11:27:25 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:55:06.137478
• Title: Auto-Research Agent on MSA Organization to Improve Protein-Protein Complex Structure Prediction
• Title（参考訳）: タンパク質-タンパク質複合体構造予測改善のためのMSA組織自動解析剤
• Abstract要約: 深度とペアリングの両方の値が強くターゲット依存であることを示し,インターフェース間で最適なレシピは存在しない。 凍結したAF3をブラックボックス実験機器として扱う自律エージェントを導入する。 各標的に対して、エージェントは生物学的仮説を定式化し、MSAを分析し、再編成し、予測子ラベルのない信号のみを用いて、配列選択とペアリングを反復的に洗練する。
• 参考スコア（独自算出の注目度）: 16.586754244075014
• License:
• Abstract: Protein-complex structure prediction with AlphaFold 3 depends on MSA content, depth, and cross-chain pairing. Current pipelines apply uniform recipes, typically maximizing depth and pairing by species, yet even whether cross-chain pairing helps AF3 remains contested. We show that the value of both depth and pairing is strongly target-dependent, so no single recipe is optimal across interfaces. We introduce an autonomous agent that treats a frozen AF3 as a black-box experimental instrument. For each target, the agent formulates biological hypotheses, analyzes and reorganizes the MSA, and iteratively refines sequence selection and pairing using predictor label-free signals alone. On 1{,}015 protein--protein interfaces from three benchmarks released after AF3's training cutoff, the agent improves overall interface DockQ over AF3's default pipeline and fixed MSA recipes on every benchmark, while using on average 60\% fewer MSA sequences than the default. Gains are largest for inter-species heteromers, where species-based pairing is unreliable: mean DockQ increases from 0.465 to 0.612 on FoldBench and from 0.482 to 0.562 on HD439. The improvements arise from both sequence construction and pairing policy, including deliberate non-pairing. These results recast MSA design as a target-specific problem and show that an autonomous agent can adapt it at test time through biological reasoning and self-directed, confidence-guided experimentation.
• Abstract（参考訳）: AlphaFold 3によるタンパク質複合体構造予測は、MSA含量、深さ、鎖間ペアリングに依存する。 現在のパイプラインは、通常種ごとの深さとペアリングを最大化する均一なレシピを適用するが、クロスチェーンペアリングがAF3の競合に役立っているかは問わない。 深度とペアリングの両方の値が強くターゲット依存であることを示し,インターフェース間で最適なレシピは存在しない。 凍結したAF3をブラックボックス実験機器として扱う自律エージェントを導入する。 各標的に対して、エージェントは生物学的仮説を定式化し、MSAを分析し、再編成し、予測子ラベルのない信号のみを用いて、配列選択とペアリングを反復的に洗練する。 AF3のトレーニングカット後の3つのベンチマークからリリースされた1{,}015タンパク質-タンパク質インターフェースでは、エージェントは、AF3のデフォルトパイプラインと各ベンチマークで固定されたMSAレシピに対して、DockQ全体のインターフェースを改善し、平均60倍のMSAシーケンスを使用する。 種間ヘテロマーではゲインが最大であり、種ベースのペアリングは信頼性が低い。平均DockQはFoldBenchでは0.465から0.612、HD439では0.482から0.562に増加する。 改善は、意図的に非ペアリングを含むシーケンス構築とペアリングポリシーの両方から生じる。 これらの結果は, MSA設計を目標固有の問題として再考し, 自律エージェントが生物学的推論と自己指向型信頼性誘導実験を通じて, テスト時に適応可能であることを示す。

関連論文リスト

• A General Harness for Protein Foundation Model Fitness Prediction [20.66125488441173]
  VenusREM-Harness (VRH) は、凍結したモデルスコアを、モデルの不確実性に応じてシーケンスアライメントの証拠と融合させる。 構造的信頼性と溶媒暴露に基づく背景補正とスコア縮小を施す。 VenusREM2は、全ての機能、分類学、MSA-depth、突然変異-depthカテゴリーで最高位にランクされた最初のものである。
  論文  参考訳（メタデータ） (2026-09-28T08:58:56Z)
• Correlation-Guided Encoder Selection for Multi-Encoder Large Audio-Language Models [52.59216139491759]
  CUES (Correlation-gUided Selection) は、単エンコーダ評価のみから選択中の融合訓練なしで設定された候補をスコアする。 広いトラックAスイートでは、CUESはクロスファミリートリオ(Whisper-medium、mHuBERT-147、Dasheng-base)を選択する。 TrackBテキスト生成では、フォーカスされた音声のみのペア(mHuBERT-147とWavLM-base-plus)で再アンカーする。
  論文  参考訳（メタデータ） (2026-09-16T02:41:41Z)
• Rank-and-Reason: Multi-Agent Collaboration Accelerates Zero-Shot Protein Mutation Prediction [20.82228986381723]
  ウェットラブ検証プロセスを自動化する2段階のエージェントフレームワークであるRan-and-Reason(VenusRAR)を提案する。 Rank-Stageでは、計算専門家と仮想生物学者がコンテキスト対応のマルチモーダルアンサンブルをまとめ、ProteinGym上で0.551(vs.0.518)の新しいスピアマン相関記録を樹立した。 Reason-Stageでは、エージェント専門家パネルが、幾何学的および構造的制約に対して候補を監査するチェーン・オブ・シンキングを採用し、ProteinGym-DMS99で最高5ヒット率を最大367%改善している。
  論文  参考訳（メタデータ） (2026-01-30T10:35:46Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• DISPROTBENCH: A Disorder-Aware, Task-Rich Benchmark for Evaluating Protein Structure Prediction in Realistic Biological Contexts [76.59606029593085]
  DisProtBenchは、構造障害および複雑な生物学的条件下でタンパク質構造予測モデル(PSPM)を評価するためのベンチマークである。 DisProtBenchはデータの複雑さ、タスクの多様性、解釈可能性という3つの重要な軸にまたがっている。 その結果,機能的予測障害と相関する低信頼領域を有する障害下でのモデルロバスト性に有意な変動が認められた。
  論文  参考訳（メタデータ） (2025-06-18T23:58:22Z)
• Lightweight MSA Design Advances Protein Folding From Evolutionary Embeddings [51.731441632457226]
  マルチシークエンスアライメント(MSA)は低ホモロジーおよび孤児タンパク質で機能する。 我々は、下流の折り畳みをより良くサポートするMSAを生成する軽量なMSA設計フレームワークPLAMEを紹介する。 AlphaFold2の低ホモロジー/孤児ベンチマークでは、PLAMEは構造精度の最先端の改善を提供する。
  論文  参考訳（メタデータ） (2025-06-17T04:11:30Z)
• FlowDock: Geometric Flow Matching for Generative Protein-Ligand Docking and Affinity Prediction [3.8366697175402225]
  FlowDockは、非有界(アポ)構造をそれらの有界(ホロ)構造にマッピングすることを学ぶ最初の深部幾何学的生成モデルである。 FlowDockは、予測された構造的信頼度スコアと、生成したタンパク質-リガンド複合体構造とのアフィニティ値を提供する。
  論文  参考訳（メタデータ） (2024-12-14T20:54:37Z)
• HelixFold-Single: MSA-free Protein Structure Prediction by Using Protein Language Model as an Alternative [61.984700682903096]
  HelixFold-Singleは、大規模なタンパク質言語モデルとAlphaFold2の優れた幾何学的学習能力を組み合わせるために提案されている。 提案手法は,数千万の一次配列を持つ大規模タンパク質言語モデルを事前学習する。 我々は、一次系列のみから原子の3次元座標を予測するために、エンドツーエンドの微分可能なモデルを得る。
  論文  参考訳（メタデータ） (2022-07-28T07:30:33Z)

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。