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

• arxiv url: http://arxiv.org/abs/2611.04287v2
• Date: Wed, 04 Nov 2026 03:46:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.750124
• 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、特定の折り畳み率$Q$でタンパク質コンフォメーションアンサンブルを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。 残差距離、チェーンレベルアセンブリ、整流デコーダの階層的スライディングウインドウ回帰により3次元の$C_$チェインを再構成する。 中間体を介して展開された状態から、推論時にタンパク質特異的な分子動力学を伴わないネイティブ状態構造へのコンフォメーションを生成する。
• 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 prediction has largely focused on native conformations, leaving the continuum of unfolded states, folding intermediates, and native structures difficult to access. We present FoldScape, a sequence-conditioned deep learning framework for generating protein conformational ensembles at specified folding fractions $Q$. Trained on approximately one million conformations from 10,000 protein sequences, FoldScape combines coarse-grained folding and all-atom mechanical-unfolding trajectories. It reconstructs three-dimensional $C_α$ chains through hierarchical sliding-window regressions of inter-residue distances, chain-level assembly, and a rectified-flow decoder. By conditioning on folding progress, FoldScape generates conformations from unfolded states through intermediates to native-state structures without protein-specific molecular dynamics at inference. In matched-sample comparisons, FoldScape achieves median conformational-space coverage of 0.989, 0.722, and 0.877 along radius of gyration, fraction of native contacts $Q$, and secondary-structure fraction, respectively, versus 0.05, 0.05, and 0.10 for seed-varied AlphaFold 3 ensembles. Coverage advantages are consistent across the evaluated proteins and robust to binning choices. Reconstruction accuracy remains approximately stable across the evaluated stages of a folding trajectory, and stride-one crop-and-superpose inference extends predictions to chains several times longer than the single-pass limit. Analyses of mechanical-unfolding trajectories show residue-resolved pathways, reproducible extension-conditioned observables across pulling velocities, and geometrically coherent segments in partially unfolded chains. FoldScape extends sequence-based structure prediction beyond a single folded endpoint to controllable conformational-ensemble generation across protein folding.
• Abstract（参考訳）: タンパク質構造予測は、展開された状態の連続体、折り畳み中間体、アクセスが困難であるネイティブ構造に主に焦点を絞っている。 FoldScapeは、タンパク質コンフォメーションアンサンブルを特定の折り畳み率$Q$で生成するためのシーケンス条件付きディープラーニングフレームワークである。 FoldScapeは1万のタンパク質配列から約100万のコンフォメーションを学習し、粗粒の折りたたみと全原子の機械的折りたたみ軌道を組み合わせた。 3次元の$C_α$チェーンを、残差距離、チェーンレベルアセンブリ、整流デコーダの階層的スライディングウインドウ回帰によって再構成する。 FoldScapeは折り畳みの進行を条件にすることで、タンパク質特異的な分子動力学を推論することなく、中間体からネイティブ状態構造への展開状態からコンフォメーションを生成する。 一致したサンプル比較では、FoldScape はジャイレーション半径 0.989, 0.722, 0.877, ネイティブコンタクトの分数$Q$, 二次構造分数で、それぞれ0.05, 0.05, 0.10 である。 被覆の利点は、評価されたタンパク質間で一貫性があり、結合の選択に対して堅牢である。 コンストラクションの精度は, 折りたたみ軌道の評価段階においてほぼ安定であり, ストライドワン・クリーズ・アンド・サプライズ推論は単一パス限界の何倍も長いチェーンに予測を拡張している。 メカニカル・アンフォールディング・トラジェクトリの解析では、残余分解経路、再生可能な拡張条件付き観測可能軌道、部分的アンフォールド・チェーンにおける幾何学的コヒーレントなセグメントが示される。 FoldScapeは、単一の折り畳みエンドポイントを越えてシーケンスベースの構造予測を拡張して、タンパク質の折り畳みに対するコンフォメーション・アンサンブル生成を制御する。

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。