しんしあ@バイオテクコミュニティ「BioSpace」モデレーター

バイオテクノロジーコミュニティ「BioSpace」運営 | ブログ・Udemy・note で情報を発信 | トピックは、バイテク・創薬・機械学習・DAO・メタバースなど | 「BioTechnology for Citizens」を目指して活動 | 創薬研究従事 |

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

英語学習用のGPTアプリ「English Coach」を公開しました！
アプリが自動で日本語文を生成しますので、英訳に挑戦してください。アプリが翻訳内容を添削してくれます。

英会話の訓練をしたいけど、何を話したらいいか考えるのが大変。。というお悩みにお応えします！

https://t.co/m0CQl91NDM

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

Entrenchment of germline amino-acid differences in antibody affinity maturation

https://t.co/sZe4XUOSsC

この研究は、抗体が進化する過程で、あるアミノ酸変化が後から元に戻りにくくなる現象を理解することを目指しています。

そのために、抗体レパートリーのデータから進化の選択圧を推定する深層学習モデルを用いて、どの部位に進化的な制約が生じるのかを解析しています。

研究では、抗原との結合部位だけでなく、抗体を構成する他の領域との関係も含めて、アミノ酸同士の相互作用が進化に影響すると考えています。

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

Language Modeling Materializes a World Model of Protein Biology

https://t.co/QHVyhSbckY

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

CliPepPI: Scalable prediction of domain-peptide specificityusing contrastive learning

https://t.co/OpBKEu8rrn

この研究は、タンパク質ドメインと短いペプチドがどのように結合相手を選ぶのかを、大規模かつ効率的に予測することを目指しています。

そのために、タンパク質言語モデルを土台として、結合する組み合わせ同士が近くに配置されるよう学習するコントラスト学習というAI手法を利用しています。

また、配列情報だけでなく、どの残基が結合に関わるかという構造的な手がかりも学習に取り入れることで、配列と立体構造の情報を結び付けようとしています。

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

ConTact: Contact-First Antibody CDR Design via Explicit Interface Reasoning

https://t.co/Wgv4Vo0epL

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

TreeGazer: Prospecting Protein Sequence-Function Landscapes via Phylogenetic Structure

https://t.co/nxp7Io7efb

この研究は、限られた実験回数の中で「次にどのタンパク質配列を調べるべきか」を効率よく選ぶことを目指しています。

近年はタンパク質言語モデルを使った探索が広がっていますが、この研究では進化系統樹そのものを活用する点が特徴です。

研究では、近縁配列の関係性を表す系統樹に、ベイズ最適化という探索戦略を組み合わせることで、「有望そうな配列」と「まだ未知の領域」の両方をバランスよく探索しようとしています。

ブラックボックス的な巨大モデルに依存するのではなく、進化的な構造を利用して予測の不確実性を解釈しやすくしている点も興味深いポイントです。

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

The intrinsic disorder challenge for AlphaFold: A case study of G3BP1 and pathogenic peptide

https://t.co/O09sy2HXPS

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

単一ラウンドの実験データとシンプルな機械学習で抗体の親和性を大幅に向上させる手法を解説します！

https://t.co/GN0Wj4MowV

#biospace

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

Genetic code expansion enables programmable covalent protein design

https://t.co/AoRzrEO98M

この研究は、共有結合を利用する「反応性の高いタンパク質医薬」を、より自由に設計できるようにすることを目指しています。

従来のタンパク質設計では、天然アミノ酸だけでは導入できない特殊な化学基を扱うことが難しく、新しい化学反応を試すたびに専用システムの構築が必要でした。

この研究では、tRNAへの直接修飾を利用することで、多様な非天然アミノ酸を柔軟に組み込めるプラットフォームを構築しています。

さらに、機械学習で設計したde novoミニタンパク質と組み合わせることで、どの位置にどの化学基を入れるべきかを大規模に探索できるようにしています。

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

PythiaStudio: a one-stop protein engineering platform powered by Pythia model suite

https://t.co/bV1WI3o0MS

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

Advancing Knotted Protein Design with ESM3: Guided Generation and Topological Insights

https://t.co/da0OWvk0iw

この研究は、「結び目構造」を持つ特殊なタンパク質をAIで設計できるのかを調べることを目指しています。

結び目タンパク質は、タンパク質の鎖が複雑に絡み合った非常に珍しい構造であり、通常のタンパク質設計よりも高度な立体理解が必要になります。

研究では、マルチモーダルタンパク質言語モデルであるESM3を用い、結び目というトポロジー情報を誘導条件として与えながら構造生成を行っています。

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

抗体の親和性変化の多くは「結合」ではなく「タンパク質の品質」によるものだったことを、実験的に切り分けて示した重要な研究です！

https://t.co/KxheBBypxf

#biospace

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

Accurate protein stability prediction for small domains using mega-scale experiments

https://t.co/1oQPIdUxnv

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

Rescuing true protein binders from AI hallucinations via zero-shot, ensemble-driven statistical physics scoring

https://t.co/Q7T7jjTEN2

近年の生成AIは新しいタンパク質や抗体を大量に設計できるようになりましたが、「本当に結合できる構造」と「もっともらしく見えるだけの偽構造」を区別することが大きな課題になっています。

この研究では、タンパク質同士の結合面を「小分子の結合」のように扱い、統計物理とAIを組み合わせた評価モデルで見分けようとしています。

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

De novo design of protein binders that target DELE1 to inhibit the mitochondrial stress response

https://t.co/bPCe1S04no

この研究は、細胞のミトコンドリアストレス応答を制御するDELE1という分子を狙い、特定の機能を止める新規タンパク質バインダーをゼロから設計することを目指しています。

標的タンパク質の重要な会合部位を狙って結合分子を設計し、タンパク質の組み立て方そのものを妨げることで、細胞内シグナル経路を精密に操作しようとしています。

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

TD3B: Transition-Directed Discrete Diffusion for Allosteric Binder Generation

https://t.co/Hr1rIuWINf

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

生成データ拡張と幾何学GNNを組み合わせ、抗体–抗原結合予測の精度と汎化性能を高めたIgPoseを解説します！

https://t.co/l0AL8YAyAP

#biospace

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

IRIS Integrates Sparse Sequence, Experimental, and AI-Predicted Structures for Protein-RNA Affinity Prediction and Motif Discovery

https://t.co/uhVsJxQgk5

この研究は、タンパク質とRNAがどのように結合相手を選ぶのかを、限られた実験データしかない状況でも予測しやすくすることを目指しています。

IRISは、配列情報だけでなく、実験構造やAI予測構造も統合しながら、どの部分が重要な相互作用を担うかを物理的な視点で読み解く枠組みです。

大量データ依存のブラックボックス予測というより、「構造から相互作用原理を理解しつつ設計に活かす」方向性が特徴です。

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

Towards the explainability of protein language models

https://t.co/9sOkJzBssk

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

タンパク質設計の複雑なワークフローを、AIエージェントが自律的に実行する新しいフレームワークProteinMCPを解説します！

https://t.co/AKfYXEkO3i

#biospace

[しんしあ@バイオテクコミュニティ「BioSpace」モデレーター @BioSpace9]

Integrating Diffusion and Liquid AI Models for Predicting Peptide Affinity from mRNA Display Selections

https://t.co/dyBqzMkTbe

この研究は、mRNAディスプレイのような超大規模な実験で得られるペプチド候補群とAI生成配列を組み合わせて、より有望な結合分子を効率よく見つけることを目指しています。

まず拡散モデルを使って実験では探索しきれない新しい配列候補を広げ、そのうえでLiquid AI系の時系列処理に強いニューラルネットワークを用いて、配列から結合の強さを予測する二段構えの設計になっています。