論文の概要: SE(3) diffusion model with application to protein backbone generation

• arxiv url: http://arxiv.org/abs/2302.02277v3
• Date: Mon, 22 May 2023 20:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 00:23:38.725237
• Title: SE(3) diffusion model with application to protein backbone generation
• Title（参考訳）: SE(3)拡散モデルと蛋白質バックボーン生成への応用
• Authors: Jason Yim, Brian L. Trippe, Valentin De Bortoli, Emile Mathieu, Arnaud Doucet, Regina Barzilay, Tommi Jaakkola
• Abstract要約: 複数のフレーム上でのSE(3)不変拡散モデルの理論的基礎を構築し、さらに新しいフレームワークであるFrameDiffを用いて、複数のフレーム上でSE(3)同変スコアを学習する。 我々のサンプルは、既知のタンパク質構造を越えて一般化できる。
• 参考スコア（独自算出の注目度）: 44.49148900897113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design of novel protein structures remains a challenge in protein engineering for applications across biomedicine and chemistry. In this line of work, a diffusion model over rigid bodies in 3D (referred to as frames) has shown success in generating novel, functional protein backbones that have not been observed in nature. However, there exists no principled methodological framework for diffusion on SE(3), the space of orientation preserving rigid motions in R3, that operates on frames and confers the group invariance. We address these shortcomings by developing theoretical foundations of SE(3) invariant diffusion models on multiple frames followed by a novel framework, FrameDiff, for learning the SE(3) equivariant score over multiple frames. We apply FrameDiff on monomer backbone generation and find it can generate designable monomers up to 500 amino acids without relying on a pretrained protein structure prediction network that has been integral to previous methods. We find our samples are capable of generalizing beyond any known protein structure.
• Abstract（参考訳）: 新規なタンパク質構造の設計は、生物医学や化学におけるタンパク質工学の課題である。 この研究で、3dの剛体上の拡散モデル(フレームと呼ばれる)は、自然界では観測されていない新しい機能的タンパク質バックボーンの生成に成功している。 しかし、SE(3) 上の拡散の原理的な方法論的枠組みは存在せず、R3 内の剛運動を保存する向きの空間は、フレーム上で作用し、群不変性を与える。 本稿では、se(3)不変拡散モデルの理論的な基礎を複数フレーム上で開発し、se(3)同値スコアを複数フレーム上で学習するための新しいフレームワークであるframediffを開発した。 FrameDiffをモノマーのバックボーン生成に適用し,従来手法に不可欠なタンパク質構造予測ネットワークに頼ることなく,500アミノ酸まで設計可能なモノマーを生成できることを確認した。 我々のサンプルは、既知のタンパク質構造を越えて一般化できる。

関連論文リスト

• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• Geometric Self-Supervised Pretraining on 3D Protein Structures using Subgraphs [26.727436310732692]
  本稿では,3次元タンパク質構造上の3次元グラフニューラルネットワークを事前学習するための自己教師型手法を提案する。 提案手法が6%までの大幅な改善につながることを実験的に示す。
  論文  参考訳（メタデータ） (2024-06-20T09:34:31Z)
• Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
  新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。 本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
  論文  参考訳（メタデータ） (2024-03-21T02:44:08Z)
• Diffusion Language Models Are Versatile Protein Learners [75.98083311705182]
  本稿では,タンパク質配列の強い生成および予測能力を示す多目的なタンパク質言語モデルである拡散タンパク質言語モデル(DPLM)を紹介する。 まず, 自己制御型離散拡散確率フレームワークを用いて, 進化的タンパク質配列からのスケーラブルDPLMの事前学習を行った。 プレトレーニング後、DPLMは非条件生成のための構造的に可塑性で新規で多様なタンパク質配列を生成する能力を示す。
  論文  参考訳（メタデータ） (2024-02-28T18:57:56Z)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• Generating Novel, Designable, and Diverse Protein Structures by Equivariantly Diffusing Oriented Residue Clouds [0.0]
  構造に基づくタンパク質設計は、設計可能で、新規で多様な構造を見つけることを目的としている。 生成モデルは、複雑なデータの低次元構造を暗黙的に学習することで、魅力的な代替手段を提供する。 我々は,3次元空間における配向参照フレームの雲を用いて離散時間拡散を行うタンパク質構造の生成モデルであるGenieを開発する。
  論文  参考訳（メタデータ） (2023-01-29T16:44:19Z)
• Protein structure generation via folding diffusion [16.12124223972183]
  本稿では,タンパク質のバックボーン構造を設計する拡散モデルを提案する。 ランダムな展開状態から安定な折り畳み構造へデノイングすることで、新しい構造を生成する。 有用な資源として、タンパク質構造拡散のための最初のオープンソースおよび訓練されたモデルをリリースする。
  論文  参考訳（メタデータ） (2022-09-30T17:35:53Z)
• Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
  我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。 本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。 我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
  論文  参考訳（メタデータ） (2021-11-15T18:46:37Z)
• G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
  本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。 本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:52:48Z)
• Functional Protein Structure Annotation Using a Deep Convolutional Generative Adversarial Network [4.3871352596331255]
  機能性に基づいてタンパク質構造を分類するDeep Convolutional Generative Adversarial Network (DCGAN)の利用について紹介する。 我々は,DCGANを3次元デコイおよびネイティブタンパク構造で訓練し,3次元タンパク構造の生成と識別を行う。
  論文  参考訳（メタデータ） (2021-04-18T22:18:52Z)

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。