論文の概要: Deep Signature: Characterization of Large-Scale Molecular Dynamics
- arxiv url: http://arxiv.org/abs/2410.02847v1
- Date: Thu, 3 Oct 2024 16:37:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-03 05:14:45.985270
- Title: Deep Signature: Characterization of Large-Scale Molecular Dynamics
- Title（参考訳）: ディープシグナチャ:大規模分子動力学のキャラクタリゼーション
- Authors: Tiexin Qin, Mengxu Zhu, Chunyang Li, Terry Lyons, Hong Yan, Haoliang Li,
- Abstract要約: ディープシグナチャ(Deep Signature)は、複雑な力学と原子間相互作用を特徴付ける、計算的に抽出可能な新しいフレームワークである。
提案手法では,協調力学を局所的に集約してシステムのサイズを小さくするソフトスペクトルクラスタリングと,非滑らかな対話力学のグローバルな評価を行うシグネチャ変換を取り入れた。
- 参考スコア（独自算出の注目度）: 29.67824486345836
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding protein dynamics are essential for deciphering protein functional mechanisms and developing molecular therapies. However, the complex high-dimensional dynamics and interatomic interactions of biological processes pose significant challenge for existing computational techniques. In this paper, we approach this problem for the first time by introducing Deep Signature, a novel computationally tractable framework that characterizes complex dynamics and interatomic interactions based on their evolving trajectories. Specifically, our approach incorporates soft spectral clustering that locally aggregates cooperative dynamics to reduce the size of the system, as well as signature transform that collects iterated integrals to provide a global characterization of the non-smooth interactive dynamics. Theoretical analysis demonstrates that Deep Signature exhibits several desirable properties, including invariance to translation, near invariance to rotation, equivariance to permutation of atomic coordinates, and invariance under time reparameterization. Furthermore, experimental results on three benchmarks of biological processes verify that our approach can achieve superior performance compared to baseline methods.
- Abstract（参考訳）: タンパク質の動態を理解することは、タンパク質の機能機構の解明と分子療法の開発に不可欠である。
しかし、生物学的プロセスの複雑な高次元力学と原子間相互作用は、既存の計算技術に重大な課題をもたらす。
本稿では,進化する軌道に基づいて複雑な力学と原子間相互作用を特徴付ける新しい計算処理可能なフレームワークであるDeep Signatureを導入することで,この問題に初めてアプローチする。
具体的には、協調力学を局所的に集約してシステムのサイズを小さくするソフトスペクトルクラスタリングと、繰り返し積分を収集するシグネチャ変換を取り入れ、非滑らかな対話力学のグローバルな特徴付けを行う。
理論的解析により、Deep Signatureは、翻訳の不変性、回転に近い不変性、原子座標の置換に等しい性質、時間再パラメータ化時の不変性など、いくつかの望ましい性質を示すことが示されている。
さらに,3つの生物学的プロセスのベンチマークによる実験結果から,本手法がベースライン法よりも優れた性能を達成できることが確認された。
関連論文リスト
- 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) - The Latent Road to Atoms: Backmapping Coarse-grained Protein Structures with Latent Diffusion [19.85659309869674]
潜伏拡散バックマッピング(LDB)は、これらの課題に対処するために潜伏空間内での拡散をデノナイズする新しいアプローチである。
3つの異なるタンパク質データセット上でLDBの最先端性能を評価する。
計算生物学におけるCGシミュレーションと原子レベル解析のギャップを効果的に埋め、LDBをバックマッピングのための強力でスケーラブルなアプローチとして位置づけた。
論文 参考訳（メタデータ） (2024-10-17T06:38:07Z) - Decomposing heterogeneous dynamical systems with graph neural networks [0.16492989697868887]
グラフニューラルネットワークは、異種システムの相互作用規則と構造を協調的に学習するように設計できることを示す。
学習された潜在構造と力学は、複雑なシステムを事実上分解するために使うことができる。
論文 参考訳（メタデータ） (2024-07-27T04:03:12Z) - Predicting Topological Entanglement Entropy in a Rydberg analog simulator [0.0]
この研究は、Rydberg-atomシミュレータ上での量子スピン-液体状態の動的準備に焦点を当てている。
このアプローチの柔軟性は、Rydberg-atom Hamiltonian の物理的に正しい形式に一致するだけでなく、関連する格子トポロジーにも一致する。
擬似状態は共鳴価結合状態(RVB)と類似した局所特性を示すが、後者の特徴的トポロジ的絡み合いエントロピー符号は欠如していることが示される。
論文 参考訳（メタデータ） (2024-06-28T12:27:42Z) - 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) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - 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) - 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) - A2I Transformer: Permutation-equivariant attention network for pairwise
and many-body interactions with minimal featurization [0.1469945565246172]
本研究では,粒子の座標から原子間エネルギーを直接予測するエンド・ツー・エンドモデルを提案する。
我々は,周期境界条件 (PBC) や$n$-body相互作用,バイナリ合成など,分子シミュレーション問題におけるいくつかの課題に対して実験を行った。
論文 参考訳（メタデータ） (2021-10-27T12:18:25Z) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z)
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。