論文の概要: On diffusion posterior sampling via sequential Monte Carlo for zero-shot scaffolding of protein motifs

• arxiv url: http://arxiv.org/abs/2412.05788v2
• Date: Fri, 03 Oct 2025 12:25:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:51.890157
• Title: On diffusion posterior sampling via sequential Monte Carlo for zero-shot scaffolding of protein motifs
• Title（参考訳）: タンパク質モチーフのゼロショットスキャフォールディングのためのシーケンシャルモンテカルロによる拡散後サンプリングについて
• Authors: James Matthew Young, O. Deniz Akyildiz,
• Abstract要約: 我々は,SMC支援拡散後サンプリング器を非条件モデルであるGenieに事前適応させることにより,足場記述のための新しいガイダンスのセットを導入し,それらを解決した。 単一モチーフ問題では,従来のマスキング法に比べて,提案したポテンシャルは相容れないが,相容れない。 また,SE(3)不変ポテンシャルのペア化による2つのマルチモチーフ問題の解も提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the advent of diffusion models, new proteins can be generated at an unprecedented rate. The motif scaffolding problem requires steering this generative process to yield proteins with a desirable functional substructure called a motif. While models have been trained to take the motif as conditional input, recent techniques in diffusion posterior sampling can be leveraged as zero-shot alternatives whose approximations can be corrected with sequential Monte Carlo (SMC) algorithms. In this work, we introduce a new set of guidance potentials for describing scaffolding tasks and solve them by adapting SMC-aided diffusion posterior samplers with an unconditional model, Genie, as a prior. In single motif problems, we find that (i) the proposed potentials perform comparably, if not better, than the conventional masking approach, (ii) samplers based on reconstruction guidance outperform their replacement method counterparts, and (iii) measurement tilted proposals and twisted targets improve performance substantially. Furthermore, as a demonstration, we provide solutions to two multi-motif problems by pairing reconstruction guidance with an SE(3)-invariant potential. We also produce designable internally symmetric monomers with a guidance potential for point symmetry constraints. Our code is available at: https://github.com/matsagad/mres-project.
• Abstract（参考訳）: 拡散モデルが出現すると、前例のない速度で新しいタンパク質が生成される。 モチーフの足場問題は、この生成プロセスをステアリングして、モチーフと呼ばれる望ましい機能的サブ構造を持つタンパク質を生成する必要がある。 モデルではモチーフを条件入力として扱うように訓練されているが、近年の拡散後サンプリングの手法は、モンテカルロ(SMC)アルゴリズムで近似を補正できるゼロショットの代替として活用できる。 そこで本研究では,SMC支援拡散後方サンプリング器を非条件モデルであるGenieに事前適応させることにより,スキャフォールディングタスクを記述するための新しいガイダンスのセットを導入し,それらを解く。 一つのモチーフの問題では (i)従来のマスキング手法よりは劣るが,提案したポテンシャルは相容れない。 二 再建指導に基づく検体は、その代替方法に優れ、 三 傾いた提案及びツイスト目標の測定により、性能が著しく向上する。 さらに,実演として,SE(3)不変ポテンシャルのペア化による2つのマルチモチーフ問題に対する解を提供する。 また、点対称性制約に対する誘導ポテンシャルを持つ設計可能な内部対称モノマーも生成する。 私たちのコードは、https://github.com/matsagad/mres-project.comで利用可能です。

関連論文リスト

• Generalized Linear Mode Connectivity for Transformers [87.32299363530996]
  驚くべき現象はリニアモード接続(LMC)であり、独立に訓練されたモデルを低損失またはゼロ損失の経路で接続することができる。 以前の研究は主に置換によるニューロンの並べ替えに焦点を合わせてきたが、そのようなアプローチは範囲に限られている。 我々は、4つの対称性クラス(置換、半置換、変換、一般可逆写像)をキャプチャする統一的なフレームワークを導入する。 この一般化により、独立に訓練された視覚変換器とGPT-2モデルの間の低障壁とゼロバリア線形経路の発見が可能となった。
  論文  参考訳（メタデータ） (2025-06-28T01:46:36Z)
• Train with Perturbation, Infer after Merging: A Two-Stage Framework for Continual Learning [59.6658995479243]
  P&M(texttext-Perturb-and-Merge)は,モデルマージをCLパラダイムに統合し,忘れることを避けるための新しい連続学習フレームワークである。 理論的解析により、全てのタスクにおける総損失増加を最小化し、最適マージ係数の解析解を導出する。 提案手法は,複数の連続学習ベンチマークデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-28T14:14:19Z)
• Backpropagation-Free Metropolis-Adjusted Langevin Algorithm [13.032984331926158]
  タンジェントベクトルのサンプリングをメトロポリス調整ランゲヴィンアルゴリズム(MALA)の提案機構に組み込む方法を示す。 バックプロパゲーションフリーな勾配に基づくマルコフ連鎖モンテカルロアルゴリズムを最初に導入する。 提案するアルゴリズムは,フォワードMALA,ラインフォワードMALA,プリコンディションMALA,ラインフォワードMALAの4種類である。
  論文  参考訳（メタデータ） (2025-05-23T16:39:21Z)
• Amortized In-Context Bayesian Posterior Estimation [15.714462115687096]
  償却は条件付き推定を通じて、そのような困難を和らげるための実行可能な戦略である。 本研究では,アモルト化インコンテクストベイズ推定手法の徹底的な比較分析を行う。 本稿では,予測問題に対する逆KL推定器の優位性,特に変圧器アーキテクチャと正規化フローを併用した場合に強調する。
  論文  参考訳（メタデータ） (2025-02-10T16:00:48Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• SymDiff: Equivariant Diffusion via Stochastic Symmetrisation [28.614292092399563]
  本稿では,最近導入された対称性の枠組みを用いて同変拡散モデルを構築する手法を提案する。 SymDiffは、サンプリング時にデプロイされる学習データ拡張に似ており、軽量で、計算効率が高く、任意のオフザシェルフモデル上に実装が容易である。 生成モデルへの対称性の応用としてはこれが初めてであり、この領域におけるそのポテンシャルがより一般的に示唆されている。
  論文  参考訳（メタデータ） (2024-10-08T18:02:29Z)
• Lie Algebra Canonicalization: Equivariant Neural Operators under arbitrary Lie Groups [11.572188414440436]
  我々は、対称性群の無限小生成子の作用のみを利用する新しいアプローチであるLie aLgebrA Canonicalization (LieLAC)を提案する。 標準化のフレームワーク内で運用されているため、LieLACは制約のない事前訓練されたモデルと容易に統合できる。
  論文  参考訳（メタデータ） (2024-10-03T17:21:30Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Markov chain Monte Carlo without evaluating the target: an auxiliary variable approach [9.426953273977496]
  マルコフ連鎖モンテカルロアルゴリズムは単純な共通手順で統一することができる。 我々は,新たなフレームワークの理論を開発し,それを既存のアルゴリズムに適用し,その結果を簡素化し拡張する。 このフレームワークからいくつかの新しいアルゴリズムが登場し、合成データセットと実データセットの両方でパフォーマンスが改善された。
  論文  参考訳（メタデータ） (2024-06-07T20:06:23Z)
• A Geometric Perspective on Variational Autoencoders [0.0]
  本稿では、完全に幾何学的な視点から、変分オートエンコーダフレームワークの新たな解釈を提案する。 このスキームを使うことで、バニラVAEと競合し、いくつかのベンチマークデータセットのより高度なバージョンよりも優れていることが示される。
  論文  参考訳（メタデータ） (2022-09-15T15:32:43Z)
• A new perspective on probabilistic image modeling [92.89846887298852]
  本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。 本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
  論文  参考訳（メタデータ） (2022-03-21T14:53:57Z)
• Defending Variational Autoencoders from Adversarial Attacks with MCMC [74.36233246536459]
  変分オートエンコーダ(VAE)は、様々な領域で使用される深部生成モデルである。 以前の研究が示すように、視覚的にわずかに修正された入力に対する予期せぬ潜在表現と再構成を生成するために、VAEを簡単に騙すことができる。 本稿では, 敵攻撃構築のための目的関数について検討し, モデルのロバスト性を評価する指標を提案し, 解決策を提案する。
  論文  参考訳（メタデータ） (2022-03-18T13:25:18Z)
• The Schr\"odinger Bridge between Gaussian Measures has a Closed Form [101.79851806388699]
  我々は OT の動的定式化(Schr"odinger bridge (SB) 問題)に焦点を当てる。 本稿では,ガウス測度間のSBに対する閉形式表現について述べる。
  論文  参考訳（メタデータ） (2022-02-11T15:59:01Z)
• Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
  相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。 本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
  論文  参考訳（メタデータ） (2021-08-10T14:46:17Z)
• What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
  ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。 また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
  論文  参考訳（メタデータ） (2021-04-29T15:38:46Z)

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。