論文の概要: Learning Collective Variables for Protein Folding with Labeled Data
Augmentation through Geodesic Interpolation
- arxiv url: http://arxiv.org/abs/2402.01542v1
- Date: Fri, 2 Feb 2024 16:35:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 14:13:02.801185
- Title: Learning Collective Variables for Protein Folding with Labeled Data
Augmentation through Geodesic Interpolation
- Title(参考訳): ジオデシック補間によるラベル付きデータ拡張によるタンパク質の折り畳み学習
- Authors: Soojung Yang, Juno Nam, Johannes C. B. Dietschreit, Rafael
G\'omez-Bombarelli
- Abstract要約: タンパク質の折りたたみのような希少な事象は、通常、強化されたサンプリング技術によって研究される。
本研究では,タンパク質の折り畳み遷移に類似した測地線を生成するために物理に着想を得た指標を用いたシミュレーションフリーなデータ拡張戦略を提案する。
CVモデルに対する回帰学習方式を導入し,遷移状態データが制限された場合,分類器に基づく手法よりも優れることを示す。
- 参考スコア(独自算出の注目度): 0.6554326244334868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In molecular dynamics (MD) simulations, rare events, such as protein folding,
are typically studied by means of enhanced sampling techniques, most of which
rely on the definition of a collective variable (CV) along which the
acceleration occurs. Obtaining an expressive CV is crucial, but often hindered
by the lack of information about the particular event, e.g., the transition
from unfolded to folded conformation. We propose a simulation-free data
augmentation strategy using physics-inspired metrics to generate geodesic
interpolations resembling protein folding transitions, thereby improving
sampling efficiency without true transition state samples. Leveraging
interpolation progress parameters, we introduce a regression-based learning
scheme for CV models, which outperforms classifier-based methods when
transition state data is limited and noisy
- Abstract(参考訳): 分子動力学(MD)シミュレーションでは、タンパク質の折りたたみのようなまれな事象は、通常、強化されたサンプリング技術によって研究され、その多くは加速が起こる集団変数(CV)の定義に依存する。
表現力のあるCVを持つことは重要であるが、しばしば特定の事象に関する情報の欠如、例えば、展開されたコンフォメーションから折り畳まれたコンフォメーションへの遷移によって妨げられる。
本研究では,タンパク質の折りたたみ遷移に似た測地的補間を生成するため,物理に着想を得た指標を用いたシミュレーションフリーなデータ拡張戦略を提案する。
補間進行パラメータを活用することで,遷移状態データが限定的かつノイズの多い場合に,分類器に基づく手法よりも優れた回帰学習方式をCVモデルに導入する。
関連論文リスト
- Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳(メタデータ) (2023-11-02T16:45:25Z) - Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳(メタデータ) (2023-09-07T16:55:50Z) - Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image
Compression [63.56922682378755]
本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。
提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。
実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
論文 参考訳(メタデータ) (2023-08-17T01:34:51Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳(メタデータ) (2023-01-23T15:18:54Z) - Reweighted Manifold Learning of Collective Variables from Enhanced
Sampling Simulations [2.91571933948505]
多様体学習のための異方性拡散写像に基づくフレームワークを提供する。
この枠組みは平衡密度を正確に記述したCVを生じるバイアス効果を逆転させることを示す。
標準および改良されたサンプリングシミュレーションから得られたデータについて,多くの多様体学習手法で利用できることを示す。
論文 参考訳(メタデータ) (2022-07-29T08:59:56Z) - GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot
Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。
生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。
本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-05T04:04:37Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳(メタデータ) (2021-07-07T11:43:59Z) - Scalable nonparametric Bayesian learning for heterogeneous and dynamic
velocity fields [8.744017403796406]
速度場データの不均一および動的パターンを学習するモデルを開発した。
複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2021-02-15T17:45:46Z) - 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)
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。