論文の概要: Score-based Enhanced Sampling for Protein Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2306.03117v1
• Date: Mon, 5 Jun 2023 15:19:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 18:57:59.245055
• Title: Score-based Enhanced Sampling for Protein Molecular Dynamics
• Title（参考訳）: タンパク質分子動力学のためのスコアベース強化サンプリング
• Authors: Jiarui Lu, Bozitao Zhong, Jian Tang
• Abstract要約: 本稿では、一般的なタンパク質構造に基づいて訓練されたスコアベース生成モデル(SGM)を活用して、タンパク質コンフォメーションサンプリングを行う。 提案手法の有効性を,長いMDトラジェクトリと最先端の生成構造予測モデルとの比較により示す。
• 参考スコア（独自算出の注目度）: 17.746172690698923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dynamic nature of proteins is crucial for determining their biological functions and properties, and molecular dynamics (MD) simulations stand as a predominant tool to study such phenomena. By utilizing empirically derived force fields, MD simulations explore the conformational space through numerically evolving the system along MD trajectories. However, the high-energy barrier of the force fields can hamper the exploration of MD, resulting in inadequately sampled ensemble. In this paper, we propose leveraging score-based generative models (SGMs) trained on general protein structures to perform protein conformational sampling to complement traditional MD simulations. We argue that SGMs can provide a novel framework as an alternative to traditional enhanced sampling methods by learning multi-level score functions, which directly sample a diversity-controllable ensemble of conformations. We demonstrate the effectiveness of our approach on several benchmark systems by comparing the results with long MD trajectories and state-of-the-art generative structure prediction models. Our framework provides new insights that SGMs have the potential to serve as an efficient and simulation-free methods to study protein dynamics.
• Abstract（参考訳）: タンパク質の動的性質はそれらの生物学的機能や性質を決定するのに不可欠であり、分子動力学(MD)シミュレーションはそのような現象を研究する主要なツールである。 経験的に導かれた力場を利用することで、MDシミュレーションはMD軌道に沿って系を数値的に進化させることによりコンフォメーション空間を探索する。 しかし、力場の高エネルギー障壁はMDの探索を妨げ、十分なサンプルアンサンブルが不十分となる。 本稿では,一般的なタンパク質構造を訓練したスコアベース生成モデル(sgms)を用いてタンパク質コンフォメーションサンプリングを行い,従来のmdシミュレーションを補完する手法を提案する。 我々は,SGMが多レベルスコア関数を学習し,多様性制御可能なコンフォーメーションのアンサンブルを直接サンプリングすることで,従来の拡張サンプリング手法に代わる新しいフレームワークを提供することができると論じる。 本稿では,mdトラジェクタと最先端生成構造予測モデルとの比較により,複数のベンチマークシステムにおける提案手法の有効性を実証する。 我々のフレームワークは、SGMがタンパク質の動態を研究するための効率的でシミュレーションのない方法として役立つ可能性があるという新たな洞察を提供する。

関連論文リスト

• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
  ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。 本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。 その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations [27.984190594059868]
  生成モデルは サロゲートサンプルとして利用され コンフォメーションアンサンブルを 桁違いに速く得る 本研究では,MDシミュレーションを抽出可能な方法で組み込んだ,事前学習型ジェネレーティブ・サンプリング器の少数ショット設定について検討する。
  論文  参考訳（メタデータ） (2024-02-16T03:48:55Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• SIP: Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [75.14793516745374]
  本稿では, 構造的帰納バイアスをセック2セックモデルに効率よく注入し, 合成データの構造的変換をシミュレートする方法について述べる。 実験の結果,本手法は所望の帰納バイアスを付与し,FSTのようなタスクに対してより優れた数発学習を実現することがわかった。
  論文  参考訳（メタデータ） (2023-10-01T21:19:12Z)
• Mixup-Augmented Meta-Learning for Sample-Efficient Fine-Tuning of Protein Simulators [29.22292758901411]
  分子動力学タスクにソフトプロンプトに基づく学習手法を適用する。 本フレームワークは,ドメイン内データの精度を向上し,未知および分布外サンプルの強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2023-08-29T08:29:08Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• DagSim: Combining DAG-based model structure with unconstrained data types and relations for flexible, transparent, and modularized data simulation [2.685173014586162]
  DAGベースのデータシミュレーションのためのPythonベースのフレームワークであるDagSimについて,変数型や関数関係に制約を加えることなく紹介する。 シミュレーションモデル構造を定義するための簡潔なYAMLフォーマットは透明性を促進する。 メタデータ変数が画像の形状を制御したり、バイオシーケンスのパターンを制御したりするユースケースを通して、DagSimの能力について説明する。
  論文  参考訳（メタデータ） (2022-05-06T17:43:27Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Efficient Characterization of Dynamic Response Variation Using Multi-Fidelity Data Fusion through Composite Neural Network [9.446974144044733]
  構造力学解析における多レベル応答予測の機会を利用する。 得られた多レベル異種データセットを完全に活用できる複合ニューラルネットワーク融合手法を定式化する。
  論文  参考訳（メタデータ） (2020-05-07T02:44:03Z)
• Using Machine Learning Approach for Computational Substructure in Real-Time Hybrid Simulation [1.0323063834827415]
  ハイブリッドシミュレーション(Hybrid Simulation, HS)は、計算サブストラクチャと、よく理解されたコンポーネントの数値モデルを組み合わせた、広く使われている構造試験手法である。 高速HSやリアルタイムHSの課題の1つは、比較的複雑な構造の解析的部分構造と関連している。 本研究では,解析的サブ構造の構造的動的挙動を表現するメタモデリング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-04T22:22:40Z)

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。