論文の概要: An Iterative Framework for Generative Backmapping of Coarse Grained Proteins

• arxiv url: http://arxiv.org/abs/2505.18082v1
• Date: Fri, 23 May 2025 16:40:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.227311
• Title: An Iterative Framework for Generative Backmapping of Coarse Grained Proteins
• Title（参考訳）: 粗粒タンパク質生成の反復的枠組み
• Authors: Georgios Kementzidis, Erin Wong, John Nicholson, Ruichen Xu, Yuefan Deng,
• Abstract要約: 本稿では,条件付き変分オートエンコーダとグラフベースニューラルネットワークを用いた新しい反復的フレームワークを提案する。 本稿では,反復生成バックマッピングの理論の概要を述べるとともに,数値実験を通じて多段階スキームの利点を実証する。 この多段階のアプローチは、再構成の精度を向上するだけでなく、超CG表現を持つタンパク質の訓練プロセスをより効率的にする。
• 参考スコア（独自算出の注目度）: 0.6990493129893112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The techniques of data-driven backmapping from coarse-grained (CG) to fine-grained (FG) representation often struggle with accuracy, unstable training, and physical realism, especially when applied to complex systems such as proteins. In this work, we introduce a novel iterative framework by using conditional Variational Autoencoders and graph-based neural networks, specifically designed to tackle the challenges associated with such large-scale biomolecules. Our method enables stepwise refinement from CG beads to full atomistic details. We outline the theory of iterative generative backmapping and demonstrate via numerical experiments the advantages of multistep schemes by applying them to proteins of vastly different structures with very coarse representations. This multistep approach not only improves the accuracy of reconstructions but also makes the training process more computationally efficient for proteins with ultra-CG representations.
• Abstract（参考訳）: 粗粒化(CG)から細粒化(FG)表現へのデータ駆動のバックマッピング技術は、特にタンパク質のような複雑なシステムに適用する場合、精度、不安定なトレーニング、物理的リアリズムにしばしば苦労する。 本研究では, 条件付き変分オートエンコーダとグラフベースニューラルネットワークを用いて, 大規模生体分子にかかわる課題に対処する, 新たな反復的枠組みを提案する。 本手法により,CGビーズから完全な原子論的な詳細まで,段階的に改良することができる。 我々は反復生成バックマッピングの理論を概説し、数値実験を通して、非常に粗い表現を持つ非常に異なる構造を持つタンパク質にそれらを適用することにより、多段階スキームの利点を実証する。 この多段階のアプローチは、再構成の精度を向上するだけでなく、超CG表現を持つタンパク質の訓練プロセスをより効率的にする。

関連論文リスト

• Learning the Language of Protein Structure [8.364087723533537]
  本稿では,タンパク質構造を離散表現に効果的にトークン化するベクトル量子化オートエンコーダを用いたアプローチを提案する。 学習した表現の有効性を示すために、コードブック上でトレーニングされた単純なGPTモデルにより、新規で多様性があり、設計可能なタンパク質構造を生成することができることを示す。
  論文  参考訳（メタデータ） (2024-05-24T16:03:47Z)
• HEroBM: a deep equivariant graph neural network for universal backmapping from coarse-grained to all-atom representations [0.0]
  粗粒度(CG)技術は大規模システムをサンプリングするための貴重なツールとして登場した。 彼らは、調査プロセスの解読において大きな関連性を持つ可能性のある、原子論的な詳細を犠牲にしている。 推奨されるアプローチは、重要なCGコンホメーションを特定し、それらをバックマッピング法で処理し、原子座標を検索することである。 深部等変グラフニューラルネットワークと階層的アプローチを用いて高分解能バックマッピングを実現する,動的でスケーラブルなHEroBMを提案する。
  論文  参考訳（メタデータ） (2024-04-25T13:54:31Z)
• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Backdiff: a diffusion model for generalized transferable protein backmapping [9.815461018844523]
  BackDiffは、タンパク質のバックマッピング問題における一般化と信頼性を実現するために設計された新しい生成モデルである。 本手法は,エンド・ツー・エンドのトレーニングを容易にするとともに,リトレーニングを必要とせず,異なるタンパク質および多様なCGモデルを効率的にサンプリングすることができる。
  論文  参考訳（メタデータ） (2023-10-03T03:32:07Z)
• Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
  エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。 伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。 非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-07-13T15:08:44Z)
• Chemically Transferable Generative Backmapping of Coarse-Grained Proteins [0.0]
  粗粒化(CG)は、原子の集合を特異なビーズとしてシミュレートすることでタンパク質力学のシミュレーションを加速する。 バックマッピングは、失われた原子論的な詳細をCG表現から取り戻すという逆の操作である。 この研究は、CGタンパク質表現のための高速で、転送可能で、信頼性の高い生成バックマッピングツールを構築する。
  論文  参考訳（メタデータ） (2023-03-02T20:51:57Z)
• 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)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。