論文の概要: Str2Str: A Score-based Framework for Zero-shot Protein Conformation
Sampling
- arxiv url: http://arxiv.org/abs/2306.03117v3
- Date: Mon, 11 Mar 2024 19:54:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 02:16:28.214921
- Title: Str2Str: A Score-based Framework for Zero-shot Protein Conformation
Sampling
- Title(参考訳): Str2Str:ゼロショットタンパク質コンフォーメーションサンプリングのためのスコアベースのフレームワーク
- Authors: Jiarui Lu, Bozitao Zhong, Zuobai Zhang, Jian Tang
- Abstract要約: タンパク質の動的性質は、その生物学的機能や性質を決定するために重要である。
既存の学習ベースのアプローチでは、直接サンプリングを行うが、トレーニングにはターゲット固有のシミュレーションデータに大きく依存する。
ゼロショットコンフォーメーションサンプリングが可能な新しい構造間翻訳フレームワークStr2Strを提案する。
- 参考スコア(独自算出の注目度): 23.74897713386661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The dynamic nature of proteins is crucial for determining their biological
functions and properties, for which Monte Carlo (MC) and molecular dynamics
(MD) simulations stand as predominant tools to study such phenomena. By
utilizing empirically derived force fields, MC or MD simulations explore the
conformational space through numerically evolving the system via Markov chain
or Newtonian mechanics. However, the high-energy barrier of the force fields
can hamper the exploration of both methods by the rare event, resulting in
inadequately sampled ensemble without exhaustive running. Existing
learning-based approaches perform direct sampling yet heavily rely on
target-specific simulation data for training, which suffers from high data
acquisition cost and poor generalizability. Inspired by simulated annealing, we
propose Str2Str, a novel structure-to-structure translation framework capable
of zero-shot conformation sampling with roto-translation equivariant property.
Our method leverages an amortized denoising score matching objective trained on
general crystal structures and has no reliance on simulation data during both
training and inference. Experimental results across several benchmarking
protein systems demonstrate that Str2Str outperforms previous state-of-the-art
generative structure prediction models and can be orders of magnitude faster
compared to long MD simulations. Our open-source implementation is available at
https://github.com/lujiarui/Str2Str
- 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ために不可欠であり、モンテカルロ (MC) と分子動力学 (MD) の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。
経験的に導出された力場を利用することで、mcまたはmdシミュレーションはマルコフ連鎖あるいはニュートン力学を通じて系を数値的に発展させることで配座空間を探索する。
しかし、力場の高エネルギー障壁は、希少な出来事による両方の方法の探索を妨げることができ、結果として、徹底的な走行をせずに十分なサンプルアンサンブルが得られない。
既存の学習ベースのアプローチは直接サンプリングを行うが、高いデータ取得コストと一般性に苦しむトレーニングのターゲット固有のシミュレーションデータに大きく依存している。
シミュレーションアニーリングにインスパイアされたStr2Strは,ロト変換同変特性を持つゼロショットコンフォーメーションサンプリングが可能な新しい構造から構造への変換フレームワークである。
本手法は,一般的な結晶構造をトレーニング対象とし,トレーニングと推論の双方においてシミュレーションデータに依存しないアモータイズデノナイジングスコアマッチングを利用する。
いくつかのベンチマークタンパク質システムにおける実験結果は、str2strが以前の最先端生成構造予測モデルよりも優れており、長いmdシミュレーションよりも桁違いに速いことを示している。
私たちのオープンソース実装はhttps://github.com/lujiarui/str2strで利用可能です。
関連論文リスト
- 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 [74.93549765488103]
薬物発見において、分子動力学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。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、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) - Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [82.0937205795896]
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) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - 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) - 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。