論文の概要: A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics

• arxiv url: http://arxiv.org/abs/2401.15122v2
• Date: Thu, 1 Feb 2024 07:34:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-02 18:17:01.501889
• Title: A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics
• Title（参考訳）: タンパク質-リガンド結合ダイナミクス学習のための多点対称微分方程式モデル
• Authors: Shengchao Liu, Weitao Du, Yanjing Li, Zhuoxinran Li, Vignesh Bhethanabotla, Nakul Rampal, Omar Yaghi, Christian Borgs, Anima Anandkumar, Hongyu Guo, Jennifer Chayes
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.93549765488103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In drug discovery, molecular dynamics (MD) simulation for protein-ligand binding provides a powerful tool for predicting binding affinities, estimating transport properties, and exploring pocket sites. There has been a long history of improving the efficiency of MD simulations through better numerical methods and, more recently, by utilizing machine learning (ML) methods. Yet, challenges remain, such as accurate modeling of extended-timescale simulations. To address this issue, we propose NeuralMD, the first ML surrogate that can facilitate numerical MD and provide accurate simulations in protein-ligand binding. We propose a principled approach that incorporates a novel physics-informed multi-grained group symmetric framework. Specifically, we propose (1) a BindingNet model that satisfies group symmetry using vector frames and captures the multi-level protein-ligand interactions, and (2) an augmented neural differential equation solver that learns the trajectory under Newtonian mechanics. For the experiment, we design ten single-trajectory and three multi-trajectory binding simulation tasks. We show the efficiency and effectiveness of NeuralMD, with a 2000$\times$ speedup over standard numerical MD simulation and outperforming all other ML approaches by up to 80% under the stability metric. We further qualitatively show that NeuralMD reaches more stable binding predictions compared to other machine learning methods.
• Abstract（参考訳）: 薬物発見において、タンパク質リガンド結合の分子動力学(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、ポケット部位を探索する強力なツールを提供する。 MDシミュレーションの効率向上には,より優れた数値手法による長い歴史があり,最近では機械学習(ML)手法を用いている。 しかし、拡張時間スケールシミュレーションの正確なモデリングのような課題は残っている。 この問題に対処するために,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MLサロゲートであるNeuralMDを提案する。 本稿では,新しい物理インフォームド多粒性群対称フレームワークを取り入れた原理的アプローチを提案する。 具体的には,(1)ベクトルフレームを用いて群対称性を満足し,多レベルタンパク質-リガンド相互作用を捉えるBindingNetモデル,(2)ニュートン力学の下で軌道を学習する拡張神経微分方程式解法を提案する。 実験では,シングルトラジェクタ10タスクとマルチトラジェクタ結合シミュレーション3タスクを設計する。 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、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。 さらに、他の機械学習手法と比較して、NeuralMDがより安定したバインディング予測に達することを示す。

関連論文リスト

• Differentiable Neural-Integrated Meshfree Method for Forward and Inverse Modeling of Finite Strain Hyperelasticity [1.290382979353427]
  本研究では,新しい物理インフォームド機械学習手法,特にニューラル積分メッシュフリー(NIM)法を拡張し,有限ひずみ問題をモデル化することを目的とする。 固有の微分可能プログラミング機能のおかげで、NIMは変分形式のニュートン・ラフソン線形化の導出を回避できる。 NIMはひずみデータから超弾性材料の不均一力学特性を同定し, 非線形材料の逆モデリングにおけるその有効性を検証する。
  論文  参考訳（メタデータ） (2024-07-15T19:15:18Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Rethinking materials simulations: Blending direct numerical simulations with neural operators [1.6874375111244329]
  そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。 物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2023-12-08T23:44:54Z)
• 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)
• 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)
• 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)
• Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks [4.444748822792469]
  学習に基づく力場はアブ・イニシアトMDシミュレーションの高速化に大きな進歩を遂げているが、現実の多くのアプリケーションでは不十分である。 非常に大きな時間ステップで、粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークを学習することで、これらの課題に対処することを目指している。
  論文  参考訳（メタデータ） (2022-04-21T18:07:08Z)
• NNP/MM: Accelerating molecular dynamics simulations with machine learning potentials and molecular mechanic [38.50309739333058]
  ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。 このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。 これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
  論文  参考訳（メタデータ） (2022-01-20T10:57:20Z)
• KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework for Aerial Robots [5.897728689802829]
  我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。 得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。 閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
  論文  参考訳（メタデータ） (2021-09-10T12:09:18Z)
• 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)

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。