論文の概要: Technical Report of HelixFold3 for Biomolecular Structure Prediction
- arxiv url: http://arxiv.org/abs/2408.16975v2
- Date: Mon, 9 Sep 2024 02:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 23:12:22.467498
- Title: Technical Report of HelixFold3 for Biomolecular Structure Prediction
- Title（参考訳）: HelixFold3による生体分子構造予測技術
- Authors: Lihang Liu, Shanzhuo Zhang, Yang Xue, Xianbin Ye, Kunrui Zhu, Yuxin Li, Yang Liu, Wenlai Zhao, Hongkun Yu, Zhihua Wu, Xiaonan Zhang, Xiaomin Fang,
- Abstract要約: AlphaFoldはタンパク質構造予測を顕著な精度で変換した。
HelixFold3はAlphaFold3の機能の複製を目指している。
HelixFold3の初期リリースはGitHubでオープンソースとして公開されている。
- 参考スコア（独自算出の注目度）: 12.848589926054565
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The AlphaFold series has transformed protein structure prediction with remarkable accuracy, often matching experimental methods. AlphaFold2, AlphaFold-Multimer, and the latest AlphaFold3 represent significant strides in predicting single protein chains, protein complexes, and biomolecular structures. While AlphaFold2 and AlphaFold-Multimer are open-sourced, facilitating rapid and reliable predictions, AlphaFold3 remains partially accessible through a limited online server and has not been open-sourced, restricting further development. To address these challenges, the PaddleHelix team is developing HelixFold3, aiming to replicate AlphaFold3's capabilities. Using insights from previous models and extensive datasets, HelixFold3 achieves an accuracy comparable to AlphaFold3 in predicting the structures of conventional ligands, nucleic acids, and proteins. The initial release of HelixFold3 is available as open source on GitHub for academic research, promising to advance biomolecular research and accelerate discoveries. We also provide online service at PaddleHelix website at https://paddlehelix.baidu.com/app/all/helixfold3/forecast.
- Abstract（参考訳）: AlphaFoldシリーズはタンパク質構造予測を顕著な精度で変換し、しばしば実験手法と一致する。
AlphaFold2、AlphaFold-Multimer、そして最新のAlphaFold3は、単一のタンパク質鎖、タンパク質複合体、生体分子構造を予測する重要なステップである。
AlphaFold2とAlphaFold-Multimerはオープンソースであり、迅速で信頼性の高い予測を促進する。
これらの課題に対処するため、PaddleHelixチームは、AlphaFold3の機能の再現を目的としたHelixFold3を開発している。
HelixFold3は、以前のモデルと広範なデータセットからの洞察を用いて、従来のリガンド、核酸、タンパク質の構造を予測するためにAlphaFold3に匹敵する精度を達成する。
HelixFold3の最初のリリースは、学術研究のためのGitHub上のオープンソースとして利用可能であり、生体分子研究の進歩と発見の加速を約束している。
また、PaddleHelixのウェブサイトでhttps://paddlehelix.baidu.com/app/all/helixfold3/forecast.comでオンラインサービスを提供しています。
関連論文リスト
- Improving AlphaFlow for Efficient Protein Ensembles Generation [64.10918970280603]
効率的なタンパク質アンサンブル生成を実現するために,AlphaFlow-Litと呼ばれる特徴条件付き生成モデルを提案する。
AlphaFlow-LitはAlphaFlowとオンパーで動作し、予行訓練なしで蒸留されたバージョンを上回り、47倍のサンプリング加速を達成している。
論文 参考訳（メタデータ） (2024-07-08T13:36:43Z) - HelixFold-Multimer: Elevating Protein Complex Structure Prediction to New Heights [7.702856943171886]
タンパク質複合体構造予測モデルHelixFold-Multimerの現在進行中の進歩に注目した。
HelixFold-Multimerは、タンパク質の複雑な構造を正確に予測する。
HelixFold-MultimerはPaddleHelixプラットフォームで公開されている。
論文 参考訳（メタデータ） (2024-04-16T03:29:37Z) - DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。
腕と足場を分解した新しい拡散モデルDecompDiffを提案する。
提案手法は,高親和性分子の生成における最先端性能を実現する。
論文 参考訳（メタデータ） (2024-02-26T05:21:21Z) - xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering
the Language of Protein [76.18058946124111]
本稿では,タンパク質の理解と生成を同時に行うために,統一されたタンパク質言語モデル xTrimoPGLM を提案する。
xTrimoPGLMは、4つのカテゴリにわたる18のタンパク質理解ベンチマークにおいて、他の高度なベースラインを著しく上回っている。
また、自然の原理に従ってデノボタンパク質配列を生成でき、微調整を監督した後にプログラム可能な生成を行うことができる。
論文 参考訳（メタデータ） (2024-01-11T15:03:17Z) - An Equivariant Generative Framework for Molecular Graph-Structure
Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。
MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。
分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文 参考訳（メタデータ） (2023-04-12T13:34:22Z) - Beating the Best: Improving on AlphaFold2 at Protein Structure
Prediction [1.3124513975412255]
ARStackはAlphaFold2とRosTTAFoldを大きく上回っている。
αFold2とRosTTAFoldの2種類の非ホモログタンパク質と、αFold2とRoseTTAFoldの2種類のタンパク質構造を用いて、これを厳密に実証した。
論文 参考訳（メタデータ） (2023-01-18T14:39:34Z) - Unsupervisedly Prompting AlphaFold2 for Few-Shot Learning of Accurate
Folding Landscape and Protein Structure Prediction [28.630603355510324]
そこで我々は,メタ生成モデルであるEvoGenを提案し,貧弱なMSAターゲットに対するAlphaFold2のアンダーパフォーマンスを改善する。
EvoGenは、キャリブレーションまたは実質的に生成されたホモログシーケンスでモデルにプロンプトすることで、AlphaFold2を低データで正確に折り畳むのに役立つ。
論文 参考訳（メタデータ） (2022-08-20T10:23:17Z) - HelixFold-Single: MSA-free Protein Structure Prediction by Using Protein
Language Model as an Alternative [61.984700682903096]
HelixFold-Singleは、大規模なタンパク質言語モデルとAlphaFold2の優れた幾何学的学習能力を組み合わせるために提案されている。
提案手法は,数千万の一次配列を持つ大規模タンパク質言語モデルを事前学習する。
我々は、一次系列のみから原子の3次元座標を予測するために、エンドツーエンドの微分可能なモデルを得る。
論文 参考訳（メタデータ） (2022-07-28T07:30:33Z) - HelixFold: An Efficient Implementation of AlphaFold2 using PaddlePaddle [19.331098164638544]
我々はPaddlePaddle、すなわちHelixFoldを使ってAlphaFold2を実装し、トレーニングと推論速度を改善し、メモリ消費を減らす。
オリジナルのAlphaFold2とOpenFoldと比較して、HelixFoldはエンドツーエンドのトレーニングを完了するのに7.5日しかかからない。
HelixFoldの精度は、CASP14とCAMEOデータセットのAlphaFold2と同等である。
論文 参考訳（メタデータ） (2022-07-12T11:43:50Z) - Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model
for Protein Design [70.27706384570723]
Fold2Seqは特定の標的に条件付きタンパク質配列を設計するための新しいフレームワークである。
Fold2Seqの性能は, シーケンス設計の速度, カバレッジ, 信頼性において向上したか, 同等であったかを示す。
フォールドベースのFold2Seqの独特な利点は、構造ベースのディープモデルやRosettaDesignと比較して、3つの現実世界の課題においてより明確になる。
論文 参考訳（メタデータ） (2021-06-24T14:34:24Z)
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。