論文の概要: NeuralPLexer3: Accurate Biomolecular Complex Structure Prediction with Flow Models

• arxiv url: http://arxiv.org/abs/2412.10743v2
• Date: Wed, 18 Dec 2024 21:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 14:17:19.717273
• Title: NeuralPLexer3: Accurate Biomolecular Complex Structure Prediction with Flow Models
• Title（参考訳）: NeuralPLexer3:フローモデルによる正確な生体分子複合体構造予測
• Authors: Zhuoran Qiao, Feizhi Ding, Thomas Dresselhaus, Mia A. Rosenfeld, Xiaotian Han, Owen Howell, Aniketh Iyengar, Stephen Opalenski, Anders S. Christensen, Sai Krishna Sirumalla, Frederick R. Manby, Thomas F. Miller III, Matthew Welborn,
• Abstract要約: 本稿では, 生体分子間相互作用における最先端の予測精度を実現するフローベース生成モデルであるNeuralPLexer3を提案する。 新たに開発されたベンチマーク戦略により、NeuralPLexer3は、構造ベースの医薬品設計に不可欠な重要な領域に優れています。
• 参考スコア（独自算出の注目度）: 6.75152379258166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure determination is essential to a mechanistic understanding of diseases and the development of novel therapeutics. Machine-learning-based structure prediction methods have made significant advancements by computationally predicting protein and bioassembly structures from sequences and molecular topology alone. Despite substantial progress in the field, challenges remain to deliver structure prediction models to real-world drug discovery. Here, we present NeuralPLexer3 -- a physics-inspired flow-based generative model that achieves state-of-the-art prediction accuracy on key biomolecular interaction types and improves training and sampling efficiency compared to its predecessors and alternative methodologies. Examined through newly developed benchmarking strategies, NeuralPLexer3 excels in vital areas that are crucial to structure-based drug design, such as physical validity and ligand-induced conformational changes.
• Abstract（参考訳）: 構造決定は、疾患の機械的理解と新しい治療法の開発に不可欠である。 機械学習に基づく構造予測手法は、配列や分子トポロジーのみからタンパク質や生物集合構造を計算的に予測することで、大きな進歩を遂げた。 この分野ではかなり進歩しているにもかかわらず、現実世界の薬物発見に構造予測モデルを提供することは依然として課題である。 本稿では,物理に着想を得たフローベース生成モデルであるNeuralPLexer3を提案する。 新たに開発されたベンチマーク戦略により、NeuralPLexer3は、物理的妥当性やリガンドによるコンフォメーション変化など、構造に基づく薬物設計に不可欠な領域を抜粋する。

関連論文リスト

• PharMolixFM: All-Atom Foundation Models for Molecular Modeling and Generation [4.402280157389038]
  我々は全原子基盤モデルを構築するための統一フレームワークであるPharMolixFMを提案する。 我々のフレームワークは、最先端のマルチモーダル生成モデルを用いた3つの変種を含む。 PharMolixFM-Diffはタンパク質-小分子ドッキングにおける競合予測精度を実現する。
  論文  参考訳（メタデータ） (2025-03-12T12:53:43Z)
• UniGenX: Unified Generation of Sequence and Structure with Autoregressive Diffusion [61.690978792873196]
  既存のアプローチは自己回帰シーケンスモデルか拡散モデルのいずれかに依存している。 自己回帰的次トーケン予測と条件拡散モデルを組み合わせた統合フレームワークUniGenXを提案する。 材料および小分子生成タスクにおけるUniGenXの有効性を検証する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• No Foundations without Foundations -- Why semi-mechanistic models are essential for regulatory biology [5.925258390690544]
  規制生物学の真の「基礎モデル」は、機械的洞察を原理化された実験設計と統合するフレームワークによってガイドされない限り、手の届かないままである、と我々は主張する。 本稿では、摂動に基づく実験設計を統一する基礎的な半機械的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-01-31T14:43:16Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• RNA Secondary Structure Prediction Using Transformer-Based Deep Learning Models [13.781096813376145]
  ヒトゲノムプロジェクト(Human Genome Project)は、生体分子の配列、構造、機能に関連するデータの指数関数的な増加につながった。 本稿では、RNAの基本概念、RNA二次構造、その予測について論じる。 生体高分子の構造予測における機械学習技術の応用について検討した。
  論文  参考訳（メタデータ） (2024-04-14T08:36:14Z)
• A Data-Driven Approach to Morphogenesis under Structural Instability [1.223779595809275]
  形態的複雑さを理解し予測するためのデータ駆動型手法を提案する。 内部または外部の強制によって引き起こされる形態形成の物理的モデリングに基づいて機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-23T00:51:43Z)
• 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)
• Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
  本論文は本質的拡散モデリングを提案する。 拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。 計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-02-23T03:26:48Z)
• Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model [44.60174246341653]
  本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。 提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。 これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:16:08Z)
• 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)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)
• Generating Tertiary Protein Structures via an Interpretative Variational Autoencoder [16.554053012204182]
  本稿では,タンパク質の機能的関連3次元構造を生成するための代替手法を提案し,評価する。 いくつかの深層建築の包括的評価は、新しい第三次構造をサンプリングするための潜伏空間を直接明らかにする上で、生成モデルの可能性を示唆している。
  論文  参考訳（メタデータ） (2020-04-08T17:40:21Z)

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。