論文の概要: Towards Conditional Generation of Minimal Action Potential Pathways for
Molecular Dynamics
- arxiv url: http://arxiv.org/abs/2111.14053v1
- Date: Sun, 28 Nov 2021 05:17:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 09:15:41.093498
- Title: Towards Conditional Generation of Minimal Action Potential Pathways for
Molecular Dynamics
- Title(参考訳): 分子動力学のための最小作用電位経路の条件生成に向けて
- Authors: John Kevin Cava, John Vant, Nicholas Ho, Ankita Shulka, Pavan Turaga,
Ross Maciejewski, and Abhishek Singharoy
- Abstract要約: 我々はTorchMDから計算したポテンシャルエネルギーを条件付き生成フレームワークに導入する。
タンパク質のヘリックス$rightarrow$coil構造間の変換の低電位エネルギー経路を構築する。
分子配置のポテンシャルエネルギーによって動機付けられた条件付き生成モデルに損失関数を追加する方法を示す。
- 参考スコア(独自算出の注目度): 10.849520181650131
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we utilized generative models, and reformulate it for problems
in molecular dynamics (MD) simulation, by introducing an MD potential energy
component to our generative model. By incorporating potential energy as
calculated from TorchMD into a conditional generative framework, we attempt to
construct a low-potential energy route of transformation between the
helix~$\rightarrow$~coil structures of a protein. We show how to add an
additional loss function to conditional generative models, motivated by
potential energy of molecular configurations, and also present an optimization
technique for such an augmented loss function. Our results show the benefit of
this additional loss term on synthesizing realistic molecular trajectories.
- Abstract(参考訳): 本稿では、生成モデルにmdポテンシャルエネルギー成分を導入することにより、分子動力学(md)シミュレーションの問題に対して生成モデルを用い、再構成する。
トーチから計算されたポテンシャルエネルギーを条件付き生成枠組みに組み込むことにより、タンパク質のヘリックス〜$\rightarrow$~coil構造間の変換の低電位エネルギー経路を構築することを試みる。
本稿では,条件付き生成モデルに対して,分子配置の潜在的エネルギーに動機づけられた損失関数を付加する方法を示し,その拡張損失関数の最適化手法を提案する。
以上の結果から,現実的な分子軌道の合成における損失項の利点が示唆された。
関連論文リスト
- A Black-Box Physics-Informed Estimator based on Gaussian Process
Regression for Robot Inverse Dynamics Identification [9.224433911967477]
提案したモデルは、textitLagrangian Inspired Polynomial ( KernelInitials)カーネルと呼ばれる新しい多次元カーネルに依存している。
7 DOFのフランカ・エミカ・パンダ(Franka Emika Panda)と6 DOFのMELFA RV4FL(MELFA RV4FL)という2つのロボットマニピュレータのシミュレーション結果から、提案モデルが最先端のブラックボックス推定器より優れていることが示された。
論文 参考訳(メタデータ) (2023-10-10T12:52:42Z) - Molecule Design by Latent Prompt Transformer [61.68502207071992]
本稿では,分子設計などの最適化課題を解決するために,潜時変圧器モデルを提案する。
目的は、既存のソフトウェアで計算可能な、標的となる化学的または生物学的性質の最適な値を持つ分子を見つけることである。
論文 参考訳(メタデータ) (2023-10-05T02:09:51Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。
我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
論文 参考訳(メタデータ) (2023-05-02T01:07:22Z) - Equivariant Energy-Guided SDE for Inverse Molecular Design [35.50806745435793]
EEGSDEはエネルギー関数の誘導の下で制御可能な3D分子生成のための柔軟なフレームワークである。
EEGSDEは、対応するエネルギー関数を線形に組み合わせることで、複数の標的特性を持つ分子を生成することができる。
論文 参考訳(メタデータ) (2022-09-30T12:10:15Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。
複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。
この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
論文 参考訳(メタデータ) (2022-04-19T05:13:46Z) - Particle Dynamics for Learning EBMs [83.59335980576637]
エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。
コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。
本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
論文 参考訳(メタデータ) (2021-11-26T23:41:07Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - GraphEBM: Molecular Graph Generation with Energy-Based Models [42.24111543958905]
エネルギーモデルを用いて分子グラフを生成するグラフEBMを提案する。
エネルギー関数を変分不変にパラメータ化することにより,GraphEBM変分不変化を実現する。
分子を特異的に望ましい性質で生成するために,分子の性質に応じてフレキシブルな度合いでエネルギーを下げる,単純で効果的な戦略を提案する。
論文 参考訳(メタデータ) (2021-01-31T21:45:12Z)
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。