論文の概要: Molecular dynamics without molecules: searching the conformational space
of proteins with generative neural networks
- arxiv url: http://arxiv.org/abs/2206.04683v1
- Date: Thu, 9 Jun 2022 02:06:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 08:30:41.254066
- Title: Molecular dynamics without molecules: searching the conformational space
of proteins with generative neural networks
- Title(参考訳): 分子を伴わない分子動力学:生成的ニューラルネットワークによるタンパク質のコンフォメーション空間の探索
- Authors: Gregory Schwing, Luigi L. Palese, Ariel Fern\'andez, Loren Schwiebert,
Domenico L. Gatti
- Abstract要約: 全原子および粗粒分子動力学はタンパク質のコンフォメーション状態の研究に広く用いられている。
全ての原子と粗粒のシミュレーション手法は、スーパーコンピュータの資源にアクセスできなければ、これらの状態が検出可能な時間と長さのスケールが達成できないという事実に悩まされる。
1つの選択肢は、分子動力学の原子軌道を物理粒子の短期バージョンとして符号化し、人工知能ベクトルを用いて符号化された軌道を伝播させることである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: All-atom and coarse-grained molecular dynamics are two widely used
computational tools to study the conformational states of proteins. Yet, these
two simulation methods suffer from the fact that without access to
supercomputing resources, the time and length scales at which these states
become detectable are difficult to achieve. One alternative to such methods is
based on encoding the atomistic trajectory of molecular dynamics as a shorthand
version devoid of physical particles, and then learning to propagate the
encoded trajectory through the use of artificial intelligence. Here we show
that a simple textual representation of the frames of molecular dynamics
trajectories as vectors of Ramachandran basin classes retains most of the
structural information of the full atomistic representation of a protein in
each frame, and can be used to generate equivalent atom-less trajectories
suitable to train different types of generative neural networks. In turn, the
trained generative models can be used to extend indefinitely the atom-less
dynamics or to sample the conformational space of proteins from their
representation in the models latent space. We define intuitively this
methodology as molecular dynamics without molecules, and show that it enables
to cover physically relevant states of proteins that are difficult to access
with traditional molecular dynamics.
- Abstract(参考訳): 全原子と粗粒分子動力学は、タンパク質のコンフォメーション状態を研究するために広く使われている2つの計算ツールである。
しかし、これらの2つのシミュレーション手法は、スーパーコンピューティングリソースにアクセスできないと、これらの状態が検出可能な時間と長さのスケールが達成できないという事実に苦しむ。
このような方法の代替の1つは、分子動力学の原子軌道を物理粒子を欠いた短期バージョンとして符号化し、人工知能を用いて符号化された軌道を伝播させることである。
ここでは,分子動力学トラジェクタのフレームをラマサンドラン盆地クラスのベクトルとして単純なテキスト表現が,各フレーム内のタンパク質の完全な原子論的表現の構造情報をほとんど保持し,異なる種類の生成ニューラルネットの訓練に適した等価な原子レストラジェクタを生成するために使用できることを示す。
代わりに、訓練された生成モデルは、無原子動力学を無限に拡張したり、そのモデル潜在空間における表現からタンパク質のコンフォメーション空間をサンプリングしたりすることができる。
我々はこの手法を分子を使わずに分子動力学として直感的に定義し、従来の分子動力学ではアクセスが難しいタンパク質の物理的関連状態をカバーできることを示した。
関連論文リスト
- Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳(メタデータ) (2023-06-08T17:12:08Z) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳(メタデータ) (2023-04-28T04:25:57Z) - Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
本論文は本質的拡散モデリングを提案する。
拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。
計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-02-23T03:26:48Z) - Two for One: Diffusion Models and Force Fields for Coarse-Grained
Molecular Dynamics [15.660348943139711]
我々は、スコアベース生成モデル、力場、分子動力学の接続を利用して、トレーニング中に力入力を必要とせずにCG力場を学習する。
従来よりも大幅に簡易化されたトレーニングセットアップを持つ一方で,本手法がいくつかの小~中規模のタンパク質シミュレーションの性能向上につながることを実証した。
論文 参考訳(メタデータ) (2023-02-01T17:09:46Z) - DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。
現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。
本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
論文 参考訳(メタデータ) (2022-11-21T07:02:15Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳(メタデータ) (2022-09-12T00:56:57Z) - Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。
様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文 参考訳(メタデータ) (2022-02-01T18:54:24Z) - Molecular CT: Unifying Geometry and Representation Learning for
Molecules at Different Scales [3.987395340580183]
この目的のために、新しいディープニューラルネットワークアーキテクチャである分子構成変換器(分子CT)が導入された。
計算効率と普遍性は、様々な分子学習シナリオに分子CTを多用する。
例として、分子CTは分子系の異なるスケールでの表現学習を可能にし、共通ベンチマークで同等または改善された結果が得られることを示す。
論文 参考訳(メタデータ) (2020-12-22T03:41:16Z) - Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。
本手法は,最先端モデルと競合する妥当性と特異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) (2020-10-19T09:34:20Z) - Learning a Continuous Representation of 3D Molecular Structures with
Deep Generative Models [0.0]
生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。
原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。
また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
論文 参考訳(メタデータ) (2020-10-17T01:15:47Z) - End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。
プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。
本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
論文 参考訳(メタデータ) (2020-10-02T20:59:46Z)
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。