論文の概要: Top-down machine learning of coarse-grained protein force-fields
- arxiv url: http://arxiv.org/abs/2306.11375v3
- Date: Tue, 27 Jun 2023 12:02:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 16:19:45.736356
- Title: Top-down machine learning of coarse-grained protein force-fields
- Title(参考訳): 粗粒タンパク質力場のトップダウン機械学習
- Authors: Carles Navarro, Maciej Majewski and Gianni de Fabritiis
- Abstract要約: 我々の手法は、タンパク質を分子動力学でシミュレートし、その結果の軌道を利用してニューラルネットワーク電位を訓練することである。
注目すべきは、この方法はタンパク質のネイティブなコンフォメーションのみを必要とし、ラベル付きデータを必要としないことである。
マルコフ状態モデルを適用することで、シミュレーションされたタンパク質のネイティブな構造を粗い粒度のシミュレーションから予測することができる。
- 参考スコア(独自算出の注目度): 2.1485350418225244
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Developing accurate and efficient coarse-grained representations of proteins
is crucial for understanding their folding, function, and interactions over
extended timescales. Our methodology involves simulating proteins with
molecular dynamics and utilizing the resulting trajectories to train a neural
network potential through differentiable trajectory reweighting. Remarkably,
this method requires only the native conformation of proteins, eliminating the
need for labeled data derived from extensive simulations or memory-intensive
end-to-end differentiable simulations. Once trained, the model can be employed
to run parallel molecular dynamics simulations and sample folding events for
proteins both within and beyond the training distribution, showcasing its
extrapolation capabilities. By applying Markov State Models, native-like
conformations of the simulated proteins can be predicted from the
coarse-grained simulations. Owing to its theoretical transferability and
ability to use solely experimental static structures as training data, we
anticipate that this approach will prove advantageous for developing new
protein force fields and further advancing the study of protein dynamics,
folding, and interactions.
- Abstract(参考訳): タンパク質の正確な、効率的な粗粒度の表現を作ることは、その折りたたみ、機能、相互作用を拡張タイムスケールで理解するために重要である。
我々の手法は、タンパク質を分子動力学でシミュレートし、その結果の軌跡を利用して、異なる軌道重み付けによってニューラルネットワーク電位を訓練する。
驚くべきことに、この方法はタンパク質のネイティブコンフォメーションのみを必要とし、広範囲なシミュレーションやメモリ集約的なエンドツーエンドの微分可能なシミュレーションから得られるラベル付きデータの必要性をなくす。
一度トレーニングすると、モデルを使用して、並列分子動力学シミュレーションと、トレーニング分布内およびその外挿能力を示すタンパク質のサンプル折り畳みイベントを実行することができる。
マルコフ状態モデルを適用することで、粗粒シミュレーションからシミュレーションタンパク質のネイティブ様配座を予測できる。
実験的な静的構造のみをトレーニングデータとして用いる理論的伝達性や能力から,新たなタンパク質力場の開発や,タンパク質のダイナミクス,折り畳み,相互作用の研究の進展に有利であることが期待できる。
関連論文リスト
- 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) - Navigating protein landscapes with a machine-learned transferable
coarse-grained model [29.252004942896875]
同様の予測性能を持つ粗粒度(CG)モデルは、長年にわたる課題である。
ケミカルトランスポータビリティを持つボトムアップCG力場を開発し,新しい配列の分子動力学に利用することができる。
本モデルでは, 折り畳み構造, 中間体, メタスタブル折り畳み型および折り畳み型流域, 内在的に不規則なタンパク質のゆらぎの予測に成功している。
論文 参考訳(メタデータ) (2023-10-27T17:10:23Z) - 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) - 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) - 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) - Machine Learning Coarse-Grained Potentials of Protein Thermodynamics [1.3543803103181613]
我々は、ニューラルネットワークに基づいて粗粒度分子ポテンシャルを構築し、統計力学を基礎とする。
トレーニングのために、12種類のタンパク質に対して約9msの非偏平全原子分子動力学シミュレーションのユニークなデータセットを構築した。
粗い粒度のモデルでは、系の熱力学を保ちながら、力学を3桁以上加速することができる。
論文 参考訳(メタデータ) (2022-12-14T20:23:11Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳(メタデータ) (2022-05-20T19:38:00Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳(メタデータ) (2021-05-11T03:40:29Z)
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。