論文の概要: HEroBM: a deep equivariant graph neural network for universal backmapping from coarse-grained to all-atom representations
- arxiv url: http://arxiv.org/abs/2404.16911v1
- Date: Thu, 25 Apr 2024 13:54:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 14:54:11.633479
- Title: HEroBM: a deep equivariant graph neural network for universal backmapping from coarse-grained to all-atom representations
- Title（参考訳）: HEroBM:粗粒から全原子表現への普遍的バックマッピングのための深部同変グラフニューラルネットワーク
- Authors: Daniele Angioletti, Stefano Raniolo, Vittorio Limongelli,
- Abstract要約: 粗粒度(CG)技術は大規模システムをサンプリングするための貴重なツールとして登場した。
彼らは、調査プロセスの解読において大きな関連性を持つ可能性のある、原子論的な詳細を犠牲にしている。
推奨されるアプローチは、重要なCGコンホメーションを特定し、それらをバックマッピング法で処理し、原子座標を検索することである。
深部等変グラフニューラルネットワークと階層的アプローチを用いて高分解能バックマッピングを実現する,動的でスケーラブルなHEroBMを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular simulations have assumed a paramount role in the fields of chemistry, biology, and material sciences, being able to capture the intricate dynamic properties of systems. Within this realm, coarse-grained (CG) techniques have emerged as invaluable tools to sample large-scale systems and reach extended timescales by simplifying system representation. However, CG approaches come with a trade-off: they sacrifice atomistic details that might hold significant relevance in deciphering the investigated process. Therefore, a recommended approach is to identify key CG conformations and process them using backmapping methods, which retrieve atomistic coordinates. Currently, rule-based methods yield subpar geometries and rely on energy relaxation, resulting in less-than-optimal outcomes. Conversely, machine learning techniques offer higher accuracy but are either limited in transferability between systems or tied to specific CG mappings. In this work, we introduce HEroBM, a dynamic and scalable method that employs deep equivariant graph neural networks and a hierarchical approach to achieve high-resolution backmapping. HEroBM handles any type of CG mapping, offering a versatile and efficient protocol for reconstructing atomistic structures with high accuracy. Focused on local principles, HEroBM spans the entire chemical space and is transferable to systems of varying sizes. We illustrate the versatility of our framework through diverse biological systems, including a complex real-case scenario. Here, our end-to-end backmapping approach accurately generates the atomistic coordinates of a G protein-coupled receptor bound to an organic small molecule within a cholesterol/phospholipid bilayer.
- Abstract（参考訳）: 分子シミュレーションは、化学、生物学、物質科学の分野で重要な役割を担い、システムの複雑な力学特性を捉えることができる。
この領域内では、粗粒度(CG)技術が大規模システムをサンプリングし、システム表現を単純化して拡張タイムスケールに到達するための貴重なツールとして出現している。
しかし、CGのアプローチにはトレードオフがあり、調査プロセスの解読において大きな関連性を持つ可能性のある、原子論的な詳細を犠牲にしている。
したがって、推奨されるアプローチは、重要なCGコンホメーションを特定し、それらをバックマッピング法で処理し、原子座標を検索することである。
現在、ルールベースの手法は、サブパージオメトリを生成し、エネルギー緩和に依存しており、最適ではない結果をもたらす。
逆に、機械学習技術は高い精度を提供するが、システム間の転送可能性に制限があるか、特定のCGマッピングに関連付けられている。
本研究では,高分解能バックマッピングを実現するために,深部等変グラフニューラルネットワークと階層的アプローチを用いた動的でスケーラブルなHEroBMを提案する。
HEroBMはあらゆるタイプのCGマッピングを処理し、高精度で原子構造を再構築するための汎用的で効率的なプロトコルを提供する。
HEroBMは局所原理に焦点を合わせ、化学空間全体にまたがっており、様々な大きさのシステムに転送可能である。
複雑な実ケースシナリオを含む多様な生物学的システムを通して、我々のフレームワークの汎用性を説明する。
そこで本研究では, コレステロール/リン脂質二層膜内の有機小分子に結合したGタンパク質結合受容体の原子性座標を, エンドツーエンドのバックマッピングにより正確に生成する。
関連論文リスト
- A POD-TANN approach for the multiscale modeling of materials and macroelement derivation in geomechanics [0.0]
本稿では,多角形分解(POD)と熱力学に基づくニューラルネットワーク(TANN)を組み合わせることで,複雑な非弾性系のマクロ的挙動を捉える手法を提案する。
以上の結果から,POD-TANN手法は実験結果の精度を再現するだけでなく,計算コストを低減し,不均一な非弾性地盤力学系のマルチスケールモデリングの実用的なツールとなることが示唆された。
論文 参考訳（メタデータ） (2024-08-13T19:08:56Z) - CoarsenConf: Equivariant Coarsening with Aggregated Attention for
Molecular Conformer Generation [3.31521245002301]
本稿では, 反角に基づく分子グラフをSE(3)等価な階層的変分オートエンコーダに統合するCoarsenConfを紹介する。
等変粗粒化により、回転可能な結合を介して連結された部分グラフの微細な原子座標を集約し、可変長粗粒化潜在表現を生成する。
本モデルでは, 粗粒の潜在表現から細粒度座標を復元する新しいアグリゲートアテンション機構を用いて, 正確なコンフォメータを効率よく生成する。
論文 参考訳（メタデータ） (2023-06-26T17:02:54Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - Statistically Optimal Force Aggregation for Coarse-Graining Molecular
Dynamics [55.41644538483948]
粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。
CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。
我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
論文 参考訳（メタデータ） (2023-02-14T14:35:39Z) - Developing Machine-Learned Potentials for Coarse-Grained Molecular
Simulations: Challenges and Pitfalls [0.0]
粗粒化(CG)は、原子分解能で達成できるものよりも大きな系とより長い時間スケールで分子特性を調べることができる。
近年,CG粒子相互作用の学習,すなわちCG力場の開発のために機械学習技術が提案されている。
この研究では、各CG粒子に作用する力は、連続的なフィルタ畳み込みによって構築されたSchNetという名前の局所環境の学習された表現と相関する。
論文 参考訳（メタデータ） (2022-09-26T18:32:37Z) - Investigation of Machine Learning-based Coarse-Grained Mapping Schemes
for Organic Molecules [0.0]
粗粒化(CG)により、異なるシステム解像度間のリンクを確立することができる。
本稿では,変分オートエンコーダに基づく機械学習戦略を適用し,適切なマッピング手法の開発について検討する。
論文 参考訳（メタデータ） (2022-09-26T18:30:51Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - Generative Coarse-Graining of Molecular Conformations [28.127928605838388]
本稿では,バックマッピング変換の確率的性質と幾何的整合性要件を組み込んだ新しいモデルを提案する。
われわれのアプローチは、常により現実的な構造を回復し、既存のデータ駆動手法よりも優れたマージンを持つ。
論文 参考訳（メタデータ） (2022-01-28T15:18:34Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳（メタデータ） (2021-10-28T14:59:41Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z)
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。