Fugu-MT 論文翻訳(概要): Predicting protein structures at any folding stage from sequence

論文の概要: Predicting protein structures at any folding stage from sequence

arxiv url: http://arxiv.org/abs/2611.04287v1
Date: Tue, 03 Nov 2026 04:15:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 03:25:57.749717
Title: Predicting protein structures at any folding stage from sequence
Title（参考訳）: 任意の折りたたみ段階における配列からのタンパク質構造予測
Abstract要約: FoldScapeは特定の折り畳み分$Q$でC$$コンフォーメーションアンサンブルを生成する。マルチスケールの粗粒の折りたたみ軌道と全原子の機械的展開軌道で訓練されている。 FoldScapeは、シード価のAlphaFold 3アンサンブルよりも、折りたたみ座標の約1等級をカバーしている。
参考スコア（独自算出の注目度）: 8.595472150848643
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Protein structure predictors reliably identify native conformations, but do not describe the continuum connecting unfolded ensembles to folded states. Here we present FoldScape, a sequence-conditioned deep learning framework that generates C$α$ conformational ensembles at a specified folding fraction $Q$. FoldScape reconstructs three-dimensional chains through hierarchical, sliding-window regressions of one-dimensional inter-residue distances, followed by chain assembly and sampling with a rectified-flow decoder. It is trained on multi-scale coarse-grained folding trajectories and all-atom mechanical-unfolding trajectories. Across 20 human proteins (36-857 residues), at matched sample size, FoldScape covers about an order of magnitude more of the folding coordinate than seed-varied AlphaFold 3 ensembles, robustly across proteins, order parameters and binning choices. AlphaFold 3 better anchors the immediate native vicinity, which FoldScape does not reach, making the approaches complementary. FoldScape reconstruction accuracy remains approximately constant along $Q$, from collapsed coil to near-native globule, rather than deteriorating away from the native state. A stride-one crop-and-superpose scheme extends inference to chains several times longer than a single chain-level forward pass. We also show that training trajectories resolve mechanical unfolding at residue resolution, that elongation-conditioned ensembles exhibit reproducible continuous observables across pulling velocities, and that partially unfolded chains form geometrically coherent segments. FoldScape thus combines broad coverage of folding stages with stable reconstruction accuracy, without per-protein simulation.
Abstract（参考訳）: タンパク質構造予測器は、ネイティブコンフォメーションを確実に識別するが、折り畳まれたアンサンブルと折り畳まれた状態とを接続する連続体は記述しない。ここでは、C$α$コンフォーメーションアンサンブルを特定の折り畳み分$Q$で生成するシーケンス条件のディープラーニングフレームワークであるFoldScapeを紹介する。 FoldScapeは1次元の残差距離の階層的・スライディング・ウインドウ回帰を用いて3次元鎖を再構成し、その後鎖組立と整流デコーダによるサンプリングを行う。マルチスケールの粗粒の折りたたみ軌道と全原子の機械的展開軌道で訓練されている。 20個のヒトタンパク質(36-857残基)が一致したサンプルサイズで、FoldScapeは、シードベディングされたAlphaFold 3アンサンブルよりも、折りたたみ座標の約1桁多くをカバーしている。 AlphaFold 3 では、FoldScape が到達しない直近のネイティブエリアをアンカーし、アプローチを補完する。 FoldScapeの復元精度は、崩壊したコイルからネイティブ状態から離れるのではなく、ほぼ一定である。ストライド・ワン・クロップ・アンド・サプライズ・スキームは、単一のチェーンレベルのフォワードパスの何倍も長いチェーンへの推論を拡張している。また, 学習軌道は残留分解能で機械的展開を解消し, 伸長条件のアンサンブルは牽引速度で再現可能な連続観測値を示し, 部分的展開鎖が幾何学的に整合なセグメントを形成することを示す。したがって、FoldScapeはタンパク質ごとのシミュレーションなしで、折り畳みステージの広い範囲と安定した再構築精度を組み合わせている。

関連論文リスト

Microscopically informed self-consistent multi-resolvent closure for dense many-body spectra [1.751364577113718]
密集多体スペクトルの多値階層は高次スペクトル-重み相関を符号化する。近似有限パラメータ閉包から正確な代数的階層を分離する多解自己整合方程式を導入する。
論文参考訳（メタデータ） (2026-10-20T11:20:23Z)
MeshCarve: Artisan Mesh Generation with Flow Matching in Compact Latent Spaces [55.87625441319878]
MeshCarveは、コンパクトな潜在空間で完全に生成されるフローマッチング手法である。トークン列を短くするため,階層型スパーストランスフォーマーバックボーンを提案する。
論文参考訳（メタデータ） (2026-10-07T09:20:13Z)
A Shortcut to Structure in AlphaFold 3 [0.05371337604556311]
我々は、多重シーケンスアライメント(MSA)を折り目の構造的ショートカットとして識別する。 MSAの除去は、大半が局所的な二次構造を保ちながら、地球トポロジーを定義する長距離関係を乱す。したがって、AlphaFold 3がアライメントから読み取るものは、折り畳み自体の記述であり、共有するタンパク質間で伝達可能である。
論文参考訳（メタデータ） (2026-10-06T18:04:17Z)
Modular Kinematic Reduction of Closed-Chain Mechanisms Using Path Assembly and Defect Homotopy [2.936331223824117]
本稿では,モジュラークロージャ解決とキネマティックリダクションのためのPath-Assembled Closure Differential Mapping (PACDM) フレームワークを提案する。このフレームワークは、2パスおよび3パス閉鎖モジュールを含む7自由度重デューティマニピュレータ上で評価される。
論文参考訳（メタデータ） (2026-09-10T10:14:16Z)
Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning [58.130498928480456]
本稿では, トポロジ保存型テッセルレーションプロセスとして, 点雲生成を再構成する自己回帰フレームワークであるPointRSPを提案する。 PointRSPは、複雑な3Dトポロジーをまたいだ強力な一般化を証明し、世代品質と多様性の最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-08-03T16:11:43Z)
GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
論文参考訳（メタデータ） (2026-07-23T15:52:35Z)
scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
論文参考訳（メタデータ） (2026-05-18T15:55:13Z)
Phase-Separated Complex Hilbert PCA on Markerless 3D Pose Estimation Data: A Global Phase Network and Its Extension to a Continuous Field on the Body Surface [4.849773844811223]
スポーツ運動におけるキネマティック・チェーンの定量的解析は,パフォーマンス評価と外傷予防に不可欠である。 KS(Kinematic-Sequence)やCRP(Continuous relative phase)といった従来の手法は、隣接する結合対に限られる。我々は、マーカーレス3Dポーズ推定データにおいて、各動き相に対して複素ヒルベルト主成分分析(CHPCA)を別々に適用する。
論文参考訳（メタデータ） (2026-04-27T12:44:35Z)
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。