論文の概要: JAMUN: Transferable Molecular Conformational Ensemble Generation with Walk-Jump Sampling

• arxiv url: http://arxiv.org/abs/2410.14621v1
• Date: Fri, 18 Oct 2024 17:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:23:52.632389
• Title: JAMUN: Transferable Molecular Conformational Ensemble Generation with Walk-Jump Sampling
• Title（参考訳）: JAMUN:ウォーク・ジャンプ・サンプリングによる伝達可能な分子コンフォーマル・アンサンブル生成
• Authors: Ameya Daigavane, Bodhi P. Vani, Saeed Saremi, Joseph Kleinhenz, Joshua Rackers,
• Abstract要約: 本稿では、任意のタンパク質のボルツマン分布を効率的に抽出する目的に向けて、ユニバーサルノイズを用いたウォークジャンプ加速分子アンサンブル(JAMUN)を提案する。 ウォーク・ジャンプサンプリングを点雲に拡張することにより、JAMUNは従来の分子動力学や最先端のML手法よりも桁違いに速い速度でアンサンブル生成を可能にする。
• 参考スコア（独自算出の注目度）: 2.305047020363456
• License:
• Abstract: Conformational ensembles of protein structures are immensely important both to understanding protein function, and for drug discovery in novel modalities such as cryptic pockets. Current techniques for sampling ensembles are computationally inefficient, or do not transfer to systems outside their training data. We present walk-Jump Accelerated Molecular ensembles with Universal Noise (JAMUN), a step towards the goal of efficiently sampling the Boltzmann distribution of arbitrary proteins. By extending Walk-Jump Sampling to point clouds, JAMUN enables ensemble generation at orders of magnitude faster rates than traditional molecular dynamics or state-of-the-art ML methods. Further, JAMUN is able to predict the stable basins of small peptides that were not seen during training.
• Abstract（参考訳）: タンパク質構造のコンフォーマルアンサンブルは、タンパク質機能の理解と、暗号ポケットのような新しいモダリティにおける薬物発見の両方において非常に重要である。 アンサンブルをサンプリングする現在の技術は、計算的に非効率であるか、あるいはトレーニングデータ以外のシステムに転送しない。 本稿では、任意のタンパク質のボルツマン分布を効率的に抽出する目的に向けて、ユニバーサルノイズを用いたウォークジャンプ加速分子アンサンブル(JAMUN)を提案する。 ウォーク・ジャンプサンプリングを点雲に拡張することにより、JAMUNは従来の分子動力学や最先端のML手法よりも桁違いに速い速度でアンサンブル生成を可能にする。 さらに、JAMUNは訓練中に見られなかった小さなペプチドの安定な盆地を予測できる。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• 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)
• EquiJump: Protein Dynamics Simulation via SO(3)-Equivariant Stochastic Interpolants [13.493198442811865]
  EquiJumpは移動可能なSO(3)-同変モデルで、全原子タンパク質の動力学シミュレーションの時間ステップを直接ブリッジする。 提案手法は様々なサンプリング手法を達成し,高速な折りたたみタンパク質の軌道データに基づく既存のモデルと比較した。
  論文  参考訳（メタデータ） (2024-10-12T23:22:49Z)
• Loop-Diffusion: an equivariant diffusion model for designing and scoring protein loops [0.0]
  ループ拡散(Loop-Diffusion)は、関数予測タスクに一般化するエネルギー関数を学ぶエネルギーベースの拡散モデルである。 我々は,TCR-pMHCインタフェースの評価におけるLoop-Diffusionの性能を評価し,結合強調突然変異の認識における最先端の結果を示す。
  論文  参考訳（メタデータ） (2024-09-26T18:34:06Z)
• Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
  新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。 本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
  論文  参考訳（メタデータ） (2024-03-21T02:44:08Z)
• AlphaFold Meets Flow Matching for Generating Protein Ensembles [11.1639408863378]
  本研究では,タンパク質のコンフォメーション・ランドスケープを学習・サンプリングするためのフローベース生成モデリング手法を開発した。 提案手法はAlphaFoldとMSAサブサンプリングと比較して精度と多様性の組合せが優れている。 本手法は,MD軌道の再現よりも高速な壁面収束により,静的なPDB構造を多様化することができる。
  論文  参考訳（メタデータ） (2024-02-07T13:44:47Z)
• ProFSA: Self-supervised Pocket Pretraining via Protein Fragment-Surroundings Alignment [20.012210194899605]
  本稿では,高分解能原子タンパク質構造からの知識を活用したポケット事前学習手法を提案する。 ProFSAと命名された本手法は,ポケットの薬剤性予測など,様々なタスクにおける最先端性能を実現する。 我々の研究は、高品質で多様なタンパク質構造データベースを活用することにより、タンパク質-リガンド複合体データの不足を軽減するための新たな道を開く。
  論文  参考訳（メタデータ） (2023-10-11T06:36:23Z)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)

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。