Fugu-MT 論文翻訳(概要): Solving the Side-Chain Packing Arrangement of Proteins from Reinforcement Learned Stochastic Decision Making

論文の概要: Solving the Side-Chain Packing Arrangement of Proteins from Reinforcement Learned Stochastic Decision Making

arxiv url: http://arxiv.org/abs/2212.03320v1
Date: Tue, 6 Dec 2022 20:44:24 GMT
ステータス: 処理完了
システム内更新日: 2022-12-08 15:30:42.054741
Title: Solving the Side-Chain Packing Arrangement of Proteins from Reinforcement Learned Stochastic Decision Making
Title（参考訳）: 強化学習した確率的意思決定によるタンパク質の側鎖パッキング配置の解法
Authors: Chandrajit Bajaj and Conrad Li and Minh Nguyen
Abstract要約: タンパク質構造予測は、計算分子生物学における根本的な問題である。我々は、ポントリャーギン最大原理(PMP)のパラメタライズドハミルトン版に基づく強化学習フレームワークを開発する。我々のRL実装では、ソフトアクター批判手法を採用していますが、A2C、A3C、PPOに基づく他のRLトレーニングを置き換えることができます。
参考スコア（独自算出の注目度）: 3.4830782050102864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Protein structure prediction is a fundamental problem in computational molecular biology. Classical algorithms such as ab-initio or threading as well as many learning methods have been proposed to solve this challenging problem. However, most reinforcement learning methods tend to model the state-action pairs as discrete objects. In this paper, we develop a reinforcement learning (RL) framework in a continuous setting and based on a stochastic parametrized Hamiltonian version of the Pontryagin maximum principle (PMP) to solve the side-chain packing and protein-folding problem. For special cases our formulation can be reduced to previous work where the optimal folding trajectories are trained using an explicit use of Langevin dynamics. Optimal continuous stochastic Hamiltonian dynamics folding pathways can be derived with use of different models of molecular energetics and force fields. In our RL implementation we adopt a soft actor-critic methodology however we can replace this other RL training based on A2C, A3C or PPO.
Abstract（参考訳）: タンパク質構造予測は計算分子生物学における根本的な問題である。この課題を解決するために、ab-initioやthreadingといった古典的なアルゴリズムや多くの学習方法が提案されている。しかし、ほとんどの強化学習法は状態-作用対を離散オブジェクトとしてモデル化する傾向がある。本稿では,PMP(Pongryagin maximum principle)の確率的パラメトリケートハミルトン版をベースとして,連続的な環境下での強化学習(RL)フレームワークを開発し,側鎖パッキングとタンパク質の折り畳み問題を解決する。特別の場合、我々の定式化は、最適折りたたみ軌跡をランゲヴィン力学の明示的な利用を用いて訓練する以前の作業に還元することができる。最適連続確率ハミルトン力学の折り畳み経路は、分子エネルギーと力場の異なるモデルを用いて導出することができる。我々のRL実装では、ソフトアクター批判手法を採用していますが、A2C、A3C、PPOに基づく他のRLトレーニングを置き換えることができます。

関連論文リスト

Conditional Latent Space Molecular Scaffold Optimization for Accelerated Molecular Design [17.175846006359674]
初期入力と類似性を保ちながら分子を戦略的に修飾するための条件付き遅延空間分子スカフォールド最適化(CLaSMO)を導入する。我々のLSBO設定は、最適化のサンプル効率を向上し、我々の修正アプローチは、実世界の適用可能性の高い分子を得るのに役立ちます。我々はまた、化学の専門家がCLaSMOをHuman-in-the-Loop設定で適用できるオープンソースのWebアプリケーションも提供する。
論文参考訳（メタデータ） (2024-11-03T03:17:38Z)
Quantum-inspired Reinforcement Learning for Synthesizable Drug Design [20.00111975801053]
本稿では, 量子インスパイアされた擬似アニール型ニューラルネットワークを用いた強化学習手法を用いて, 化学構造の離散空間をインテリジェントにナビゲートする手法を提案する。具体的には、ポリシーニューラルネットワークを用いた決定論的REINFORCEアルゴリズムを用いて、状態遷移と局所探索を誘導する遷移確率を出力する。提案手法は10Kのクエリ予算を持つPMOベンチマークフレームワークを用いて評価する。
論文参考訳（メタデータ） (2024-09-13T20:43:16Z)
Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文参考訳（メタデータ） (2024-07-01T06:10:29Z)
Active learning of Boltzmann samplers and potential energies with quantum mechanical accuracy [1.7633275579210346]
我々は,強化サンプリングと深層生成モデルを組み合わせるアプローチと,機械学習ポテンシャルの能動的学習を併用したアプローチを開発する。本手法を用いて, 医療・生物学分野における多種多様なシステム群に属する超小型の銀ナノクラスターの異性化について検討する。
論文参考訳（メタデータ） (2024-01-29T19:01:31Z)
D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文参考訳（メタデータ） (2023-03-01T10:38:10Z)
Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics [55.41644538483948]
粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。 CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
論文参考訳（メタデータ） (2023-02-14T14:35:39Z)
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)
Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2022-10-12T09:12:59Z)
Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文参考訳（メタデータ） (2021-11-30T06:10:22Z)
Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文参考訳（メタデータ） (2021-11-05T02:54:06Z)
Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。本稿では,分子設計のための新しい強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-04-29T16:29:28Z)

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。