論文の概要: Generating Highly Designable Proteins with Geometric Algebra Flow Matching

• arxiv url: http://arxiv.org/abs/2411.05238v1
• Date: Thu, 07 Nov 2024 23:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:55:40.533138
• Title: Generating Highly Designable Proteins with Geometric Algebra Flow Matching
• Title（参考訳）: 幾何学的代数フローマッチングによる高設計可能なタンパク質の生成
• Authors: Simon Wagner, Leif Seute, Vsevolod Viliuga, Nicolas Wolf, Frauke Gräter, Jan Stühmer,
• Abstract要約: 幾何生成物と高次メッセージパッシングを利用したタンパク質のバックボーン設計のための生成モデルを提案する。 我々は、タンパク質のバックボーン生成のための最先端フローマッチングモデルであるFrameFlowのフレームワークにそれを組み込むことで、アーキテクチャを評価する。
• 参考スコア（独自算出の注目度）: 1.1874952582465603
• License:
• Abstract: We introduce a generative model for protein backbone design utilizing geometric products and higher order message passing. In particular, we propose Clifford Frame Attention (CFA), an extension of the invariant point attention (IPA) architecture from AlphaFold2, in which the backbone residue frames and geometric features are represented in the projective geometric algebra. This enables to construct geometrically expressive messages between residues, including higher order terms, using the bilinear operations of the algebra. We evaluate our architecture by incorporating it into the framework of FrameFlow, a state-of-the-art flow matching model for protein backbone generation. The proposed model achieves high designability, diversity and novelty, while also sampling protein backbones that follow the statistical distribution of secondary structure elements found in naturally occurring proteins, a property so far only insufficiently achieved by many state-of-the-art generative models.
• Abstract（参考訳）: 幾何生成物と高次メッセージパッシングを利用したタンパク質のバックボーン設計のための生成モデルを提案する。 特に,AlphaFold2 から不変点アテンション (IPA) アーキテクチャの拡張である Clifford Frame Attention (CFA) を提案する。 これにより、代数の双線型演算を用いて、高次項を含む残基間の幾何学的に表現的なメッセージを構成することができる。 我々は、タンパク質のバックボーン生成のための最先端フローマッチングモデルであるFrameFlowのフレームワークにそれを組み込むことで、アーキテクチャを評価する。 提案モデルでは, 天然に存在するタンパク質の二次構造要素の統計的分布に追従するタンパク質のバックボーンを抽出し, 高い設計性, 多様性, 新規性を実現している。

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)
• Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
  タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。 我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。 我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
  論文  参考訳（メタデータ） (2024-05-30T17:53:50Z)
• A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
  抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。 実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
  論文  参考訳（メタデータ） (2023-10-30T02:39:15Z)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• Generating Novel, Designable, and Diverse Protein Structures by Equivariantly Diffusing Oriented Residue Clouds [0.0]
  構造に基づくタンパク質設計は、設計可能で、新規で多様な構造を見つけることを目的としている。 生成モデルは、複雑なデータの低次元構造を暗黙的に学習することで、魅力的な代替手段を提供する。 我々は,3次元空間における配向参照フレームの雲を用いて離散時間拡散を行うタンパク質構造の生成モデルであるGenieを開発する。
  論文  参考訳（メタデータ） (2023-01-29T16:44:19Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• 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)
• G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
  本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。 本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:52:48Z)
• Learning from Protein Structure with Geometric Vector Perceptrons [6.5360079597553025]
  幾何学的ベクトルパーセプトロンを導入し、標準密度層を拡張してユークリッドベクトルの集合を演算する。 本稿では,タンパク質構造から学習する際の2つの重要な問題として,モデル品質評価と計算タンパク質設計について述べる。
  論文  参考訳（メタデータ） (2020-09-03T01:54:25Z)

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。