論文の概要: Solving Inverse Problems in Protein Space Using Diffusion-Based Priors

• arxiv url: http://arxiv.org/abs/2406.04239v1
• Date: Thu, 6 Jun 2024 16:38:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 13:59:57.803097
• Title: Solving Inverse Problems in Protein Space Using Diffusion-Based Priors
• Title（参考訳）: 拡散前駆体を用いたタンパク質空間の逆問題の解法
• Authors: Axel Levy, Eric R. Chan, Sara Fridovich-Keil, Frédéric Poitevin, Ellen D. Zhong, Gordon Wetzstein,
• Abstract要約: 生生物物理測定を3次元原子モデルに変換するための多用途フレームワークを提案する。 本手法は, 線形および非線形逆問題において, 後方サンプリングベースラインよりも優れた性能を示す。 これは、Cryo-EM密度マップから原子モデルを精製する最初の拡散法である。
• 参考スコア（独自算出の注目度）: 36.726170589634826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The interaction of a protein with its environment can be understood and controlled via its 3D structure. Experimental methods for protein structure determination, such as X-ray crystallography or cryogenic electron microscopy, shed light on biological processes but introduce challenging inverse problems. Learning-based approaches have emerged as accurate and efficient methods to solve these inverse problems for 3D structure determination, but are specialized for a predefined type of measurement. Here, we introduce a versatile framework to turn raw biophysical measurements of varying types into 3D atomic models. Our method combines a physics-based forward model of the measurement process with a pretrained generative model providing a task-agnostic, data-driven prior. Our method outperforms posterior sampling baselines on both linear and non-linear inverse problems. In particular, it is the first diffusion-based method for refining atomic models from cryo-EM density maps.
• Abstract（参考訳）: タンパク質とその環境との相互作用は、その3D構造を通して理解および制御することができる。 X線結晶学や低温電子顕微鏡などのタンパク質構造決定のための実験的手法は、生物学的プロセスに光を放つが、挑戦的な逆問題をもたらす。 学習に基づくアプローチは、これらの逆問題の3次元構造決定のための正確かつ効率的な方法として現れてきたが、事前に定義された種類の測定に特化している。 本稿では,様々な種類の生生物物理測定を3次元原子モデルに変換するための多用途フレームワークを提案する。 本手法は,測定プロセスの物理に基づくフォワードモデルと,タスクに依存しないデータ駆動型前処理モデルとを組み合わせる。 本手法は, 線形および非線形逆問題において, 後方サンプリングベースラインよりも優れた性能を示す。 特に、Cryo-EM密度マップから原子モデルを精製する最初の拡散法である。

関連論文リスト

• Equivariant Blurring Diffusion for Hierarchical Molecular Conformer Generation [18.394348744611662]
  Equivariant Blurring Diffusion (EBD) と呼ばれる新しい生成モデルを導入する。 EBDは、コンフォーマーの微細な原子の詳細をぼかすことによって、断片レベルの粗い粒状構造に向かって進む前進過程を定義する。 薬物様分子のベンチマークにおいて, 最先端デノナイジング拡散モデルとの幾何的および化学的比較によるEBDの有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-26T19:17:31Z)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
  機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。 本研究は,最先端な生成手法を提案する。 メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
  論文  参考訳（メタデータ） (2023-12-22T11:49:39Z)
• Neural network analysis of neutron and X-ray reflectivity data: Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
  本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。 ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。 従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
  論文  参考訳（メタデータ） (2023-06-28T11:15:53Z)
• Fast and robust single particle reconstruction in 3D fluorescence microscopy [1.0625549557437526]
  単一粒子再構成は、軸方向分解能と蛍光標識の度合いを改善するための強力な技術である。 3次元蛍光顕微鏡における畳み込みモデル専用の単一粒子再構成法を提案する。 計算コストを低く抑えつつ,分解能および再構成誤差の観点から合成手法を実証する。
  論文  参考訳（メタデータ） (2023-01-23T14:20:01Z)
• Amortized Inference for Heterogeneous Reconstruction in Cryo-EM [36.911133113707045]
  低温電子顕微鏡(cryo-EM)は、タンパク質やその他の生命の構成要素の力学に関する洞察を提供する。 生物分子のポーズ、3次元構造、配座の不均一性を共同で推定するアルゴリズムの課題は未解決のままである。 この方法であるCryoFIREは、不動化フレームワークで未知のポーズを伴って、ab initioheregeneous Restructionを行う。 精度を損なうことなく、何百万もの画像を含むデータセットに対して、1桁のスピードアップを提供できることを示す。
  論文  参考訳（メタデータ） (2022-10-13T22:06:38Z)
• Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
  この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。 提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
  論文  参考訳（メタデータ） (2022-03-31T12:52:25Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
  分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。 具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
  論文  参考訳（メタデータ） (2021-05-15T15:22:29Z)
• Meshless physics-informed deep learning method for three-dimensional solid mechanics [0.0]
  深層学習とコロケーション法は統合され、構造の変形を記述する偏微分方程式を解くために用いられる。 我々は, 線形弾性, 変形が大きい過弾性(ネオ・フーカン), 等方的およびキネマティック硬化を有するフォン・ミーゼス塑性の2種類の材料について検討した。
  論文  参考訳（メタデータ） (2020-12-02T21:40:37Z)

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。