Chamaileon: 跨语境结合子设计中的语境化建模与混合采样
摘要
Chamaileon 提出了一个用于多靶点和多状态蛋白质结合子设计的框架,采用语境化的序列-结构联合建模和混合采样,实现了对不同构象景观和多靶点需求的适应性。
查看缓存全文
缓存时间: 2026/07/28 06:32
论文页面 - Chamaileon:基于情境化建模与混合采样的跨情境结合子设计
来源:https://huggingface.co/papers/2607.23518
摘要
生成模型的快速发展为蛋白质结合子设计(结构生物学中的关键任务)带来了新潜力,通过联合序列-结构建模或幻觉生成实现了端到端生成。然而,现有方法主要基于单靶标、单状态的假设实施,限制了其对高级功能导向蛋白质设计所需的多靶标或多状态交互的建模能力。本文提出 Chamaileon,将问题形式化为跨情境结合景观建模,从而统一了多靶标与多状态结合子设计。该框架的核心是一种名为情境内复杂协同设计(I3CD)的训练范式,用于情境感知的序列-结构协同建模。在推理阶段,我们采用路径混合采样(MoPS)这一可扩展策略,在跨情境优化单一序列的同时,缓解高质量多构象配对数据的稀缺性。在我们新构建的基准测试 CROSS 上的广泛评估表明,Chamaileon 能够有效生成适应多样化构象景观和多靶标需求的序列。代码已开源:https://github.com/caohengyuan/Chamaileon。
查看 arXiv 页面 (https://arxiv.org/abs/2607.23518)查看 PDF (https://arxiv.org/pdf/2607.23518)GitHub8 (https://github.com/caohengyuan/Chamaileon)添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2607.23518)
在你的智能体中获取此论文:
hf papers read 2607.23518
没有最新 CLI?curl -LsSf https://hf.co/cli/install.sh | bash
引用本论文的模型0
暂无模型链接本论文
在模型 README.md 中引用 arxiv.org/abs/2607.23518,即可从此页面链接。
引用本论文的数据集0
暂无数据集链接本论文
在数据集 README.md 中引用 arxiv.org/abs/2607.23518,即可从此页面链接。
引用本论文的 Spaces0
暂无 Space 链接本论文
在 Space README.md 中引用 arxiv.org/abs/2607.23518,即可从此页面链接。
包含本论文的收藏集0
暂无收藏集包含本论文
将本论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接。
相似文章
大规模数据集与基准:蛋白质-配体模型学习的是结合位点还是仅仅结合可能性?
介绍了InteractBind,一个用于细粒度评估蛋白质-配体模型的大规模数据集和基准,重点关注结合位点定位和非共价相互作用预测。评估了八个现有模型,发现尽管二元结合预测表现强劲,但结合位点定位能力有限。
面向智能体与多模态大语言模型的上下文感知强化学习
介绍了ContextRL,一种强化学习方法,教会大语言模型识别哪些上下文支持答案,在智能体和多模态基准上取得了性能提升。
CP-Agent: 面向化学扰动下细胞形态轮廓分析的情境感知多模态推理
CP-Agent 是一个多模态大语言模型,它利用情境感知对齐(CP-CLIP)来解释化学扰动下的细胞形态变化,从而为药物发现提供可解释且可扩展的表型筛选。
FoodCHA:用于细粒度食物分析的多模态大语言模型智能体
本文介绍了 FoodCHA,这是一个专为细粒度食物分析设计的大语言模型多模态智能体框架,旨在解决饮食监测中的层级一致性和属性识别问题。
语言模型会梦见结合分子吗?在空间约束下对LLMs进行基准测试
本文在3D空间约束下,将通用LLMs与专门的扩散模型进行对比基准测试,以生成结合分子。结果显示,尽管LLMs目前落后于最先进的方法,但它们展现出了潜力。