論文の概要: Enhancing Reinforcement learning in 3-Dimensional Hydrophobic-Polar Protein Folding Model with Attention-based layers

• arxiv url: http://arxiv.org/abs/2504.15634v1
• Date: Tue, 22 Apr 2025 06:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 21:57:14.503073
• Title: Enhancing Reinforcement learning in 3-Dimensional Hydrophobic-Polar Protein Folding Model with Attention-based layers
• Title（参考訳）: 注意層を有する3次元疎水性多孔性タンパク質フォールディングモデルにおける強化学習の強化
• Authors: Peizheng Liu, Hitoshi Iba,
• Abstract要約: 我々は,3次元H-Pタンパク質の折り畳み問題に対処するため,注意機構(トランスフォーマー)と統合されたディープQ-Network(DQN)を適用した。 本システムは,強化環境下での自己回避歩行として折り畳み決定を定式化し,好適な疎水性相互作用に基づく特別報酬関数を用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transformer-based architectures have recently propelled advances in sequence modeling across domains, but their application to the hydrophobic-hydrophilic (H-P) model for protein folding remains relatively unexplored. In this work, we adapt a Deep Q-Network (DQN) integrated with attention mechanisms (Transformers) to address the 3D H-P protein folding problem. Our system formulates folding decisions as a self-avoiding walk in a reinforced environment, and employs a specialized reward function based on favorable hydrophobic interactions. To improve performance, the method incorporates validity check including symmetry-breaking constraints, dueling and double Q-learning, and prioritized replay to focus learning on critical transitions. Experimental evaluations on standard benchmark sequences demonstrate that our approach achieves several known best solutions for shorter sequences, and obtains near-optimal results for longer chains. This study underscores the promise of attention-based reinforcement learning for protein folding, and created a prototype of Transformer-based Q-network structure for 3-dimensional lattice models.
• Abstract（参考訳）: トランスフォーマーをベースとしたアーキテクチャは、最近ドメイン間の配列モデリングの進歩を推進しているが、タンパク質の折り畳みに対する疎水性親水性(H-P)モデルへの応用は、いまだに研究されていない。 本研究では,3次元H-Pタンパク質の折り畳み問題に対処するため,注意機構 (Transformers) と統合されたディープQ-Network (DQN) を適用した。 本システムは,強化環境下での自己回避歩行として折り畳み決定を定式化し,好適な疎水性相互作用に基づく特別報酬関数を用いる。 性能向上のために, 対称性破り制約, デュエル, ダブルQ-ラーニングを含む妥当性チェックを導入し, 重要トランジションに焦点を合わせるためにリプレイを優先する。 標準ベンチマークシーケンスに対する実験により,提案手法は短いシーケンスに対していくつかの既知の最適解を達成し,より長いチェーンに対してほぼ最適な結果が得られることを示した。 本研究は,タンパク質の折り畳みに対する注意に基づく強化学習の可能性を浮き彫りにして,3次元格子モデルのためのTransformerベースのQ-network構造の試作を行った。

関連論文リスト

• Protein Structure Prediction in the 3D HP Model Using Deep Reinforcement Learning [0.0]
  本稿では,2つの新しいディープラーニングアーキテクチャによる3次元疎水性・多孔格子モデルにおけるタンパク質構造予測について述べる。 36残基以下のタンパク質について、我々のハイブリッド貯水池モデルでは、固定されたランダムプロジェクションとトレーニング可能な深層を組み合わせ、トレーニングエピソードを25%減らして最適なコンフォーメーションを達成する。 より長いシーケンスに対して、私たちは、最もよく知られたエネルギー値に一致する、多面的な注意を持つ長い短期記憶ネットワークを使用します。
  論文  参考訳（メタデータ） (2024-12-29T02:55:54Z)
• Multi-Scale Representation Learning for Protein Fitness Prediction [31.735234482320283]
  これまでの手法は主に、巨大でラベルなしのタンパク質配列や構造データセットに基づいて訓練された自己教師型モデルに依存してきた。 本稿では,タンパク質の機能を統合する新しいマルチモーダル表現学習フレームワークであるSequence-Structure-Surface Fitness (S3F)モデルを紹介する。 提案手法は,タンパク質言語モデルからの配列表現と,タンパク質のバックボーンと詳細な表面トポロジーをコードするGeometric Vector Perceptronネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-02T04:28:10Z)
• Hierarchical Preference Optimization: Learning to achieve goals via feasible subgoals prediction [71.81851971324187]
  本研究は階層型強化学習(HRL)の新しいアプローチである階層型優先度最適化(HPO)を導入する。 HPOは、複雑なロボット制御タスクを解く際に、非定常性と非実用的なサブゴール生成の問題に対処する。 挑戦的なロボットナビゲーションと操作タスクの実験はHPOの素晴らしいパフォーマンスを示しており、ベースラインよりも最大35%改善されている。
  論文  参考訳（メタデータ） (2024-11-01T04:58:40Z)
• PatchProt: Hydrophobic patch prediction using protein foundation models [0.0]
  タンパク質表面上の疎水性パッチは、タンパク質-タンパク質とタンパク質-リガンド相互作用において重要な機能的役割を担っている。 微調整基礎モデルは、新しいタスクの特定のニュアンスにモデルを適応させることができる。 マルチタスクのディープラーニングは、データギャップに対処するための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-05-24T20:37:02Z)
• Re-Dock: Towards Flexible and Realistic Molecular Docking with Diffusion Bridge [69.80471117520719]
  Re-Dockは、幾何学多様体に拡張された新しい拡散橋生成モデルである。 我々はNewton-Euler方程式にインスパイアされたエネルギー-幾何学マッピングを提案し、結合エネルギーとコンフォーメーションを共モデリングする。 アポドックやクロスドックといった設計済みのベンチマークデータセットの実験は、現在の手法よりもモデルの有効性と効率性が優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-18T05:04:50Z)
• xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering the Language of Protein [74.64101864289572]
  本稿では,タンパク質の理解と生成を同時に行うために,統一されたタンパク質言語モデル xTrimoPGLM を提案する。 xTrimoPGLMは、4つのカテゴリにわたる18のタンパク質理解ベンチマークにおいて、他の高度なベースラインを著しく上回っている。 また、自然の原理に従ってデノボタンパク質配列を生成でき、微調整を監督した後にプログラム可能な生成を行うことができる。
  論文  参考訳（メタデータ） (2024-01-11T15:03:17Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• Pose-Oriented Transformer with Uncertainty-Guided Refinement for 2D-to-3D Human Pose Estimation [51.00725889172323]
  本研究では,3次元ポーズ推定のための不確実性ガイド付き多目的変換器(POT)を提案する。 我々はまず,人骨のトポロジーを明示的に活用するために,新しいポーズ指向の自己注意機構と距離関連位置埋め込みを開発した。 本稿では,特に難解な関節に対するPOTからのポーズ予測を洗練させるために,不確実性誘導型リファインメントネットワーク(UGRN)を提案する。
  論文  参考訳（メタデータ） (2023-02-15T00:22:02Z)
• E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking [20.266157559473342]
  我々は、リガンドポーズを反復的に更新するエンドツーエンドの同変ネットワークであるE3Bindを提案する。 E3Bindはドッキングにおける幾何学的制約を慎重に考慮し、タンパク質-リガンド相互作用をモデル化する。 標準ベンチマークデータセットの実験は、エンドツーエンドのトレーニング可能なモデルの優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2022-10-12T10:25:54Z)
• AlphaFold Distillation for Protein Design [25.190210443632825]
  逆タンパク質の折りたたみはバイオエンジニアリングと薬物発見に不可欠である。 AlphaFoldのような前方の折りたたみモデルは、シーケンスから構造を正確に予測することで潜在的な解決策を提供する。 本稿では, 折り畳みモデルの信頼性測定値に対する知識蒸留を用いて, より高速かつエンドツーエンドの識別可能な蒸留モデルを作成することを提案する。
  論文  参考訳（メタデータ） (2022-10-05T19:43:06Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。