Fugu-MT 論文翻訳(概要): Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations

論文の概要: Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations

arxiv url: http://arxiv.org/abs/2402.10433v2
Date: Mon, 11 Mar 2024 20:20:16 GMT
ステータス: 処理完了
システム内更新日: 2024-03-14 00:47:02.611868
Title: Fusing Neural and Physical: Augment Protein Conformation Sampling with Tractable Simulations
Title（参考訳）: Fusing Neural and Physical: Augment Protein Conformation Smpling with Tractable Simulations
Authors: Jiarui Lu, Zuobai Zhang, Bozitao Zhong, Chence Shi, Jian Tang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 27.984190594059868
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The protein dynamics are common and important for their biological functions and properties, the study of which usually involves time-consuming molecular dynamics (MD) simulations in silico. Recently, generative models has been leveraged as a surrogate sampler to obtain conformation ensembles with orders of magnitude faster and without requiring any simulation data (a "zero-shot" inference). However, being agnostic of the underlying energy landscape, the accuracy of such generative model may still be limited. In this work, we explore the few-shot setting of such pre-trained generative sampler which incorporates MD simulations in a tractable manner. Specifically, given a target protein of interest, we first acquire some seeding conformations from the pre-trained sampler followed by a number of physical simulations in parallel starting from these seeding samples. Then we fine-tuned the generative model using the simulation trajectories above to become a target-specific sampler. Experimental results demonstrated the superior performance of such few-shot conformation sampler at a tractable computational cost.
Abstract（参考訳）: タンパク質の動力学は生物学的機能や性質に共通して重要であり、シリコにおける時間消費分子動力学(md)のシミュレーションが一般的である。近年、生成モデルは、シミュレーションデータ(ゼロショット推論)を必要とせず、桁違いに高速なコンフォーメーションアンサンブルを得るために、サロゲートサンプリングとして活用されている。しかし、基礎となるエネルギー環境を知らないため、そのような生成モデルの精度は依然として限られている。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。具体的には, 目的タンパク質が与えられた場合, まず, 予め訓練したサンプルからシードコンフォメーションを取得し, 次いで, これらのシードから始まる複数の物理シミュレーションを行った。次に、上記のシミュレーショントラジェクトリを用いて生成モデルを微調整し、ターゲット固有標本化を行う。実験により, 抽出可能な計算コストにおいて, マイクロショットコンフォメーションサンプリング器の優れた性能を示した。

関連論文リスト

Surrogate-based multiscale analysis of experiments on thermoplastic composites under off-axis loading [0.0]
偏軸荷重下での一方向熱可塑性複合材料上での定ひずみ速度とクリープ実験をモデル化するための代理型マルチスケールアプローチを提案する。実験結果から, 単一スケールのマイクロメカニカルアプローチよりも広い範囲の環境において, 実験との整合性が示唆された。
論文参考訳（メタデータ） (2025-01-17T13:39:10Z)
GauSim: Registering Elastic Objects into Digital World by Gaussian Simulator [55.02281855589641]
GauSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。我々は連続体力学を活用し、各カーネルを連続体としてモデル化し、理想化された仮定なしに現実的な変形を考慮に入れた。ガウシムは質量や運動量保存などの明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文参考訳（メタデータ） (2024-12-23T18:58:17Z)
Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
論文参考訳（メタデータ） (2024-12-10T11:50:46Z)
Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
論文参考訳（メタデータ） (2024-09-26T13:02:28Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
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)
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)
Str2Str: A Score-based Framework for Zero-shot Protein Conformation Sampling [23.74897713386661]
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。
論文参考訳（メタデータ） (2023-06-05T15:19:06Z)
Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文参考訳（メタデータ） (2022-07-12T16:08:04Z)
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)
Simulating the Time Projection Chamber responses at the MPD detector using Generative Adversarial Networks [0.0]
本研究では、NICA加速器複合体におけるMPD実験のTime Projection Chamberトラッカーのシミュレーションを高速化するための新しいアプローチを実証する。本手法は,任意の対象の集団分布を暗黙的に非パラメトリックに推定する深層学習手法である,生成型アドレアルネットワークに基づいている。提案モデルの品質を評価するために,mpdソフトウェアスタックに統合し,詳細なシミュレータと同様の高品質なイベントを生成することを実証する。
論文参考訳（メタデータ） (2020-12-08T17:57:37Z)

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。