Fugu-MT 論文翻訳(概要): Aligning Protein Conformation Ensemble Generation with Physical Feedback

論文の概要: Aligning Protein Conformation Ensemble Generation with Physical Feedback

arxiv url: http://arxiv.org/abs/2505.24203v1
Date: Fri, 30 May 2025 04:33:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-02 19:47:52.769682
Title: Aligning Protein Conformation Ensemble Generation with Physical Feedback
Title（参考訳）: 物理フィードバックによるアライニングタンパク質コンフォーメーション生成
Authors: Jiarui Lu, Xiaoyin Chen, Stephen Zhewen Lu, Aurélie Lozano, Vijil Chenthamarakshan, Payel Das, Jian Tang,
Abstract要約: エネルギーベースアライメント(EBA、Energy-based Alignment)は、生成モデルと物理モデルからのフィードバックを整合させる手法である。 EBAは、高品質なタンパク質アンサンブルを生成する際に最先端のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 29.730515284798397
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Protein dynamics play a crucial role in protein biological functions and properties, and their traditional study typically relies on time-consuming molecular dynamics (MD) simulations conducted in silico. Recent advances in generative modeling, particularly denoising diffusion models, have enabled efficient accurate protein structure prediction and conformation sampling by learning distributions over crystallographic structures. However, effectively integrating physical supervision into these data-driven approaches remains challenging, as standard energy-based objectives often lead to intractable optimization. In this paper, we introduce Energy-based Alignment (EBA), a method that aligns generative models with feedback from physical models, efficiently calibrating them to appropriately balance conformational states based on their energy differences. Experimental results on the MD ensemble benchmark demonstrate that EBA achieves state-of-the-art performance in generating high-quality protein ensembles. By improving the physical plausibility of generated structures, our approach enhances model predictions and holds promise for applications in structural biology and drug discovery.
Abstract（参考訳）: タンパク質の動態は、タンパク質の生物学的機能や性質において重要な役割を担い、その伝統的な研究は典型的には、シリコで実行される時間消費分子動力学(MD)シミュレーションに依存している。生成モデルの最近の進歩、特に拡散モデルの認知化は、結晶構造上の学習分布による効率的なタンパク質構造予測とコンフォーメーションサンプリングを可能にしている。しかし、標準的なエネルギーベースの目的がしばしば難解な最適化につながるため、これらのデータ駆動アプローチに物理的監督を効果的に統合することは依然として困難である。本稿では,エネルギーモデルと物理モデルからのフィードバックを整合させる手法であるEBA(Energy-based Alignment)を導入する。 MDアンサンブルベンチマークによる実験結果から,ERAは高品質なタンパク質アンサンブルを生成する上で,最先端の性能を発揮することが示された。生成した構造の物理的妥当性を向上させることにより,モデル予測が向上し,構造生物学や薬物発見への応用が期待できる。

関連論文リスト

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)
Learning conformational ensembles of proteins based on backbone geometry [1.1874952582465603]
本稿では,背骨形状のみに基づくタンパク質コンホメーションをサンプリングするためのフローマッチングモデルを提案する。結果として得られたモデルは、現在の最先端アプローチよりも桁違いに高速で、数日間でスクラッチからトレーニングできる。
論文参考訳（メタデータ） (2025-02-19T17:16:27Z)
SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文参考訳（メタデータ） (2024-10-31T15:22:03Z)
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)
AlphaFolding: 4D Diffusion for Dynamic Protein Structure Prediction with Reference and Motion Guidance [18.90451943620277]
本研究では分子動力学(MD)シミュレーションデータを用いた動的タンパク質構造学習のための革新的4次元拡散モデルを提案する。本モデルでは,32時間で最大256個のアミノ酸を含むタンパク質の動的3次元構造を予測できる。
論文参考訳（メタデータ） (2024-08-22T14:12:50Z)
Dynamic PDB: A New Dataset and a SE(3) Model Extension by Integrating Dynamic Behaviors and Physical Properties in Protein Structures [15.819618708991598]
約12.6Kタンパク質を含む大規模データセットであるDynamic PDBを導入する。我々は、原子速度と力、ポテンシャルと運動エネルギー、シミュレーション環境の温度を含む、総合的な物理特性スイートを提供する。本研究は, 軌道予測の課題に対して, 提案したデータセット上での最先端手法の評価を行う。
論文参考訳（メタデータ） (2024-08-22T14:06:01Z)
Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
論文参考訳（メタデータ） (2024-03-21T02:44:08Z)
Physics-informed generative model for drug-like molecule conformers [0.0]
共振器生成のための拡散型生成モデルを提案する。我々のモデルは結合構造の再現に焦点をあてており、古典的な力場において伝統的に見られる関連する用語から構築されている。ディープラーニングは、トレーニングセットから原子タイピングと幾何学的パラメータを推測するために使用される。
論文参考訳（メタデータ） (2024-02-29T17:11:08Z)
Str2Str: A Score-based Framework for Zero-shot Protein Conformation Sampling [23.74897713386661]
タンパク質の動的性質は、その生物学的機能や性質を決定するために重要である。既存の学習ベースのアプローチでは、直接サンプリングを行うが、トレーニングにはターゲット固有のシミュレーションデータに大きく依存する。ゼロショットコンフォーメーションサンプリングが可能な新しい構造間翻訳フレームワークStr2Strを提案する。
論文参考訳（メタデータ） (2023-06-05T15:19:06Z)
Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文参考訳（メタデータ） (2022-11-03T14:49:02Z)
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)
Energy-based models for atomic-resolution protein conformations [88.68597850243138]
原子スケールで動作するタンパク質コンホメーションのエネルギーモデル(EBM)を提案する。このモデルは、結晶化されたタンパク質のデータにのみ訓練されている。モデル出力と隠された表現の研究により、タンパク質エネルギーに関連する物理化学的性質を捉えることが判明した。
論文参考訳（メタデータ） (2020-04-27T20:45:12Z)

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。