論文の概要: DiffSequence-Q: Diffusion Design with Quantum Assistance for Biologically Active Proteins
- arxiv url: http://arxiv.org/abs/2611.08434v1
- Date: Thu, 05 Nov 2026 18:28:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.621792
- Title: DiffSequence-Q: Diffusion Design with Quantum Assistance for Biologically Active Proteins
- Title（参考訳）: DiffSequence-Q: 生体活性タンパク質の量子アシストによる拡散設計
- Abstract要約: DiffSequence-Qは, 各残基の二次構造に条件付きハイブリッド多相拡散モデルであり, 連続溶解度ターゲットである。
量子ニューラルネットワーク (QNN) や量子コルモゴロフ・アルノルドネットワーク (QKAN) を共用トランスフォーマー表現上の補助溶解度予測ヘッドとして用いる。
一度訓練されると、タンパク質配列は完全に古典的な逆拡散によって生成される。
- 参考スコア（独自算出の注目度）: 14.146667002156647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing protein sequences that satisfy both secondary structure requirements and solubility targets remains challenging. We present DiffSequence-Q, a hybrid multinomial diffusion model conditioned on secondary structure at each residue and a continuous solubility target. To introduce quantum auxiliary supervision during training, we employ a quantum neural network (QNN) or quantum Kolmogorov-Arnold network (QKAN) as an auxiliary solubility prediction head over shared Transformer representations. The auxiliary prediction loss is jointly optimized with the diffusion objective, allowing quantum auxiliary supervision to influence the learned denoising model. Once trained, protein sequences are generated entirely through classical reverse diffusion. On the CATH benchmark, DiffSequence-Q achieved the highest secondary structure recovery among the four evaluated models for complete sequence generation. Evaluation with a separately trained solubility prediction model showed that the best QNN and QKAN configurations achieved mean predicted solubility scores 14.0% and 22.7% higher than the multilayer perceptron (MLP) baseline, respectively. Experimental characterization further demonstrated biological activity across three distinct protein families. Selected defensins exhibited pronounced inhibitory activity against Aspergillus niger, while xylanases and short-chain dehydrogenases exhibited substantial enzymatic activity. Together, these results support DiffSequence-Q as a framework for integrating structural requirements and solubility targets in protein generation, with experimentally demonstrated biological activity.
- Abstract（参考訳）: 二次構造要求と溶解度目標の両方を満たすタンパク質配列を設計することは依然として困難である。
DiffSequence-Qは, 各残基の二次構造に条件付きハイブリッド多相拡散モデルであり, 連続溶解度ターゲットである。
本研究では,量子ニューラルネットワーク(QNN)や量子コルモゴロフ・アルノルドネットワーク(QKAN)を,共有トランスフォーマー表現上の補助溶解度予測ヘッドとして採用する。
補助的予測損失は拡散目標と共同最適化され、量子的補助監督が学習された聴覚モデルに影響を与える。
一度訓練されると、タンパク質配列は完全に古典的な逆拡散によって生成される。
CATHベンチマークでは、DiffSequence-Qが完全シーケンス生成のための4つの評価モデルの中で最高の二次構造回復を達成した。
別々にトレーニングされた溶解度予測モデルを用いて評価したところ、QNNとQKANの最適構成は、それぞれ多層パーセプトロン(MLP)ベースラインよりも14.0%、22.7%高い平均溶解度スコアを達成した。
実験的特徴は、さらに3つの異なるタンパク質ファミリーの生物活性を示した。
選択されたデフェンシンはアスペルギルス・ニジェールに対して顕著な阻害活性を示したが、キシラナーゼと短鎖デヒドロゲナーゼは酵素活性を示した。
これらの結果は、DiffSequence-Qをタンパク質生成における構造的要求と溶解性目標の統合の枠組みとしてサポートし、生物学的活性を実験的に実証した。
関連論文リスト
- SaDiT: Efficient Protein Backbone Design via Latent Structural Tokenization and Diffusion Transformers [50.18388227899971]
本稿では,SaProt TokenizationとDiffusion Transformer (DiT)アーキテクチャを統合することで,タンパク質のバックボーン生成を促進する新しいフレームワークであるSaDiTを提案する。
実験により、SaDiTはRFDiffusionやProteinaといった最先端モデルよりも計算速度と構造的生存性が優れていることが示された。
論文 参考訳（メタデータ） (2026-02-06T13:50:13Z) - Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。
我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。
提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
論文 参考訳（メタデータ） (2025-07-04T06:12:18Z) - 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) - JanusDDG: A Thermodynamics-Compliant Model for Sequence-Based Protein Stability via Two-Fronts Multi-Head Attention [0.0]
残基の変化がタンパク質の安定性にどのように影響するかを理解することは 機能的なタンパク質を設計するのに重要である。
タンパク質言語モデル(PLM)の最近の進歩は、計算タンパク質分析に革命をもたらした。
我々は PLM 由来の埋め込みと双方向のクロスアテンショントランスフォーマアーキテクチャを利用するディープラーニングフレームワーク JanusDDG を紹介する。
論文 参考訳（メタデータ） (2025-04-04T09:02:32Z) - Hybrid Quantum Neural Networks with Variational Quantum Regressor for Enhancing QSPR Modeling of CO2-Capturing Amine [0.9968037829925945]
我々は,CO2捕捉アミンの構造-適合関係モデルを改善するために,ハイブリッド量子ニューラルネットワーク(HQNN)を開発した。
HQNNは、塩基性、粘性、沸点、融点、蒸気圧などの主要な溶媒特性の予測精度を向上させる。
論文 参考訳（メタデータ） (2025-03-01T07:26:45Z) - Diffusion Language Models Are Versatile Protein Learners [75.98083311705182]
本稿では,タンパク質配列の強い生成および予測能力を示す多目的なタンパク質言語モデルである拡散タンパク質言語モデル(DPLM)を紹介する。
まず, 自己制御型離散拡散確率フレームワークを用いて, 進化的タンパク質配列からのスケーラブルDPLMの事前学習を行った。
プレトレーニング後、DPLMは非条件生成のための構造的に可塑性で新規で多様なタンパク質配列を生成する能力を示す。
論文 参考訳（メタデータ） (2024-02-28T18:57:56Z) - Using quantum annealing to design lattice proteins [0.0]
我々は、D-Waveハイブリッド量子古典解法を用いて、正しいHPモデル基底状態の高速かつ一貫した同定を実証する。
タンパク質設計問題(たんぱくせいてん、英: protein design problem)は、上記の逆問題である。
そこで本研究では,D-Wave マシン上に実装・実行された2段階の手順で設計問題にアプローチする。
論文 参考訳（メタデータ） (2024-02-14T10:28:43Z) - AbDiffuser: Full-Atom Generation of in vitro Functioning Antibodies [44.149969082612486]
AbDiffuserは、抗体3D構造と配列の同変および物理インフォームド拡散モデルである。
我々のアプローチは、ドメイン知識と物理に基づく制約を生かして、タンパク質の拡散を改善する。
数値実験では、AbDiffuserが参照集合の配列と構造を綿密に追跡する抗体を生成する能力を示している。
論文 参考訳（メタデータ） (2023-07-28T11:57:44Z) - 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) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳（メタデータ） (2020-08-11T15:01:32Z)
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。