論文の概要: Ablating Design Choices for Protein Ensemble Generators Across Structural Regimes

• arxiv url: http://arxiv.org/abs/2611.05055v1
• Date: Tue, 03 Nov 2026 15:20:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:43:58.516819
• Title: Ablating Design Choices for Protein Ensemble Generators Across Structural Regimes
• Title（参考訳）: 構造レジーム間のタンパク質アンサンブルジェネレータの設計選択
• Abstract要約: 我々は、順序づけられたタンパク質と乱れたタンパク質をまたいだ設計選択がどのように保たれるかを検討する。 実験的なSAXSおよびNMR化学シフトデータに対して,各変異体を秩序,障害,多ドメイン,遷移タンパク質に分割して評価した。 乱れたタンパク質の粗い粒度のシミュレーションを断片化されたアンサンブルに置き換えることで、SAXSのコストで化学シフトとの一致が改善される。
• 参考スコア（独自算出の注目度）: 0.6138671548064355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models of protein conformational ensembles inherit much of their design from structure prediction for folded proteins. Ordered and disordered proteins, however, occupy distinct structural regimes, and we investigate how design choices hold up across them. Using a minimal C$α$ flow-matching model, we ablate choices of architecture, sequence conditioning, rigid-body alignment and training source, and evaluate each variant against experimental SAXS and NMR chemical-shift data partitioned into ordered, disordered, multi-domain and transitional proteins. Mixture-of-experts routing, a static pair representation and a disorder probe have no detectable effect, a smaller protein language model performs worse on ordered proteins but not on disordered ones, and alignment in the loss degrades agreement with SAXS. Replacing coarse-grained simulations of disordered proteins with fragment-assembled ensembles improves agreement with chemical shifts at a cost to SAXS, while an equal mixture of the two keeps most of the gain at a smaller cost. This points to the training data, rather than the architecture, as the main constraint.
• Abstract（参考訳）: タンパク質コンホメーションアンサンブルの生成モデルは、折りたたみタンパク質の構造予測からその設計の多くを継承する。 しかし、秩序なタンパク質と無秩序なタンパク質は、異なる構造構造を占有し、設計上の選択がそれらをどう支えているかを調査する。 最小のC$α$フローマッチングモデルを用いて、アーキテクチャ、シーケンスコンディショニング、剛体アライメントおよびトレーニングソースの選択を緩和し、各変異体を秩序、障害、多ドメイン、遷移タンパク質に分割した実験的なSAXSおよびNMR化学シフトデータに対して評価する。 試行錯誤ルーティング、静的ペア表現、障害プローブは、検出可能な効果がなく、より小さなタンパク質言語モデルは、秩序づけられたタンパク質に悪影響を及ぼすが、障害のあるタンパク質には悪影響を及ぼさない。 乱れたタンパク質の粗い粒度のシミュレーションを断片集合のアンサンブルで置き換えることで、SAXSとコストで化学シフトとの整合性が向上する。 これは、アーキテクチャではなく、トレーニングデータが主な制約であることを示している。

関連論文リスト

• ProteoCraft: Protein Design as Proposal-Verification Search [91.18343476834941]
  タンパク質とタンパク質の相互作用は、ほとんどすべての生物学的プロセスを支える。しかし、望ましい相互作用を持つタンパク質を設計することは依然として困難である。 本研究では,タンパク質設計を高価な構造評価の下で,配列空間上の探索最適化問題とみなす。 本稿では,拡散型構造予測器からの近似的構造勾配を用いた木構造探索フレームワークProteoCraftを,探索すべき場所を特定する効果的な提案ポリシーとして導入する。
  論文  参考訳（メタデータ） (2026-11-02T21:03:10Z)
• Leveraging generative hallucination and biophysics-informed modeling for unified biomolecular sequence-structure co-design [18.17410967913783]
  MCTH(Monte Carlo Tree Hallucination)は,全原子配列構造共設計を不確実性を考慮した計画手法とする推論のみのフレームワークである。 タンパク質-RNA、タンパク質-DNA、タンパク質-タンパク質-リガンド、タンパク質-リガンド設計の整合予算実験により、適応探索は単純なサンプリングとサイクリング戦略よりも改善されることが示された。
  論文  参考訳（メタデータ） (2026-08-18T05:16:41Z)
• Protein Autoregressive Modeling via Multiscale Structure Generation [51.92004892768298]
  タンパク質自己回帰モデリング(PAR)は,タンパク質のバックボーン生成のための最初のマルチスケール自己回帰フレームワークである。 ノイズの多いコンテキスト学習とスケジュールサンプリングを採用し、堅牢なバックボーン生成を実現している。 非条件生成ベンチマークでは、PARはタンパク質の分布を効果的に学習し、高い設計品質のバックボーンを生成する。
  論文  参考訳（メタデータ） (2026-02-04T18:59:49Z)
• cryoSPHERE: Single-particle heterogeneous reconstruction from cryo EM [9.887133861477233]
  単一粒子低温電子顕微鏡(cryo-EM)は、大きなタンパク質複合体の構造を決定する強力なツールである。 本稿では,タンパク質構造を入力として使用する深層学習手法であるCryoSPHEREを紹介する。 実験で発生する高レベルのノイズに対して,CryoSPHEREは非常に耐性があることが示される。
  論文  参考訳（メタデータ） (2024-05-29T15:12:19Z)
• PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
  化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。 既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:51:10Z)
• Chemically Transferable Generative Backmapping of Coarse-Grained Proteins [0.0]
  粗粒化(CG)は、原子の集合を特異なビーズとしてシミュレートすることでタンパク質力学のシミュレーションを加速する。 バックマッピングは、失われた原子論的な詳細をCG表現から取り戻すという逆の操作である。 この研究は、CGタンパク質表現のための高速で、転送可能で、信頼性の高い生成バックマッピングツールを構築する。
  論文  参考訳（メタデータ） (2023-03-02T20:51:57Z)
• Protein Sequence and Structure Co-Design with Equivariant Translation [19.816174223173494]
  既存のアプローチは自己回帰モデルまたは拡散モデルを用いてタンパク質配列と構造の両方を生成する。 本稿では,タンパク質配列と構造共設計が可能な新しいアプローチを提案する。 我々のモデルは、幾何学的制約と文脈特徴からの相互作用を推論する三角法を意識したエンコーダで構成されている。 全てのタンパク質アミノ酸は翻訳工程で1ショットずつ更新され、推論プロセスが大幅に加速される。
  論文  参考訳（メタデータ） (2022-10-17T06:00:12Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
  我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。 本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。 我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
  論文  参考訳（メタデータ） (2021-11-15T18:46:37Z)

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。