論文の概要: UniSim: A Unified Simulator for Time-Coarsened Dynamics of Biomolecules

• arxiv url: http://arxiv.org/abs/2506.03157v2
• Date: Thu, 05 Jun 2025 07:10:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 19:24:16.003733
• Title: UniSim: A Unified Simulator for Time-Coarsened Dynamics of Biomolecules
• Title（参考訳）: UniSim: 生体分子の時間相関ダイナミクスのための統一シミュレータ
• Authors: Ziyang Yu, Wenbing Huang, Yang Liu,
• Abstract要約: 我々は、ドメイン間知識を活用して原子間相互作用の理解を深める textbfUnified bfSimulator (UniSim) を提案する。 UniSimは、小さな分子、ペプチド、タンパク質間で高い競争力を発揮する。
• 参考スコア（独自算出の注目度）: 17.559471937824767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular Dynamics (MD) simulations are essential for understanding the atomic-level behavior of molecular systems, giving insights into their transitions and interactions. However, classical MD techniques are limited by the trade-off between accuracy and efficiency, while recent deep learning-based improvements have mostly focused on single-domain molecules, lacking transferability to unfamiliar molecular systems. Therefore, we propose \textbf{Uni}fied \textbf{Sim}ulator (UniSim), which leverages cross-domain knowledge to enhance the understanding of atomic interactions. First, we employ a multi-head pretraining approach to learn a unified atomic representation model from a large and diverse set of molecular data. Then, based on the stochastic interpolant framework, we learn the state transition patterns over long timesteps from MD trajectories, and introduce a force guidance module for rapidly adapting to different chemical environments. Our experiments demonstrate that UniSim achieves highly competitive performance across small molecules, peptides, and proteins.
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは、分子系の原子レベルの挙動を理解するのに不可欠であり、それらの遷移と相互作用に関する洞察を与える。 しかし、古典的MD技術は精度と効率のトレードオフによって制限される一方、近年のディープラーニングに基づく改良は主に単一ドメイン分子に焦点が当てられ、不慣れな分子システムへの伝達性が欠如している。 そこで本研究では,原子間相互作用の理解を深めるために,ドメイン間知識を活用した \textbf{Uni}fied \textbf{Sim}ulator (UniSim) を提案する。 まず、大規模で多様な分子データから統一原子表現モデルを学ぶために、マルチヘッド事前学習手法を用いる。 そして, 確率補間フレームワークを用いて, MD軌道から長い時間経過で状態遷移パターンを学習し, 異なる化学環境に迅速に適応するための力誘導モジュールを導入する。 実験により、UniSimは小分子、ペプチド、タンパク質間で高い競争力を発揮することが示された。

関連論文リスト

• Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics [38.53044197103943]
  GF-NODEは、空間周波数分解のためのグラフフーリエ変換と、連続時間進化のためのニューラルODEフレームワークを統合する。 GF-NODEは,拡張シミュレーションよりも重要な幾何学的特徴を保ちながら,最先端の精度を実現する。 これらの結果は,MDシミュレーションの強靭性と予測力を改善するために,連続時間モデルによるスペクトル分解のブリッジ化が期待できることを示す。
  論文  参考訳（メタデータ） (2024-11-03T15:10:48Z)
• 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)
• Force-Guided Bridge Matching for Full-Atom Time-Coarsened Dynamics of Peptides [17.559471937824767]
  我々は、FBM(Force-Guided Bridge Matching)と呼ばれる条件付き生成モデルを提案する。 FBMはフル原子時間粗大化力学を学習し、ボルツマン制約分布を目標とする。 ペプチドからなる2つのデータセットの実験は、包括的メトリクスの観点から、我々の優位性を検証する。
  論文  参考訳（メタデータ） (2024-08-27T15:07:27Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)

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。