論文の概要: DualEquiNet: A Dual-Space Hierarchical Equivariant Network for Large Biomolecules

• arxiv url: http://arxiv.org/abs/2506.19862v1
• Date: Tue, 10 Jun 2025 07:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.865494
• Title: DualEquiNet: A Dual-Space Hierarchical Equivariant Network for Large Biomolecules
• Title（参考訳）: DualEquiNet: 大規模生体分子のためのデュアルスペース階層型ネットワーク
• Authors: Junjie Xu, Jiahao Zhang, Mangal Prakash, Xiang Zhang, Suhang Wang,
• Abstract要約: このネットワークはユークリッド空間と球面高調波空間の相補表現を構築し、局所幾何学と大域対称性を考慮した特徴を捉える。 DualEquiNetはRNA特性予測とタンパク質モデリングのための複数の既存のベンチマークで最先端のパフォーマンスを達成し、新しく導入された2つの3D構造ベンチマークで先行手法より優れている。
• 参考スコア（独自算出の注目度）: 32.33126287600196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometric graph neural networks (GNNs) that respect E(3) symmetries have achieved strong performance on small molecule modeling, but they face scalability and expressiveness challenges when applied to large biomolecules such as RNA and proteins. These systems require models that can simultaneously capture fine-grained atomic interactions, long-range dependencies across spatially distant components, and biologically relevant hierarchical structure, such as atoms forming residues, which in turn form higher-order domains. Existing geometric GNNs, which typically operate exclusively in either Euclidean or Spherical Harmonics space, are limited in their ability to capture both the fine-scale atomic details and the long-range, symmetry-aware dependencies required for modeling the multi-scale structure of large biomolecules. We introduce DualEquiNet, a Dual-Space Hierarchical Equivariant Network that constructs complementary representations in both Euclidean and Spherical Harmonics spaces to capture local geometry and global symmetry-aware features. DualEquiNet employs bidirectional cross-space message passing and a novel Cross-Space Interaction Pooling mechanism to hierarchically aggregate atomic features into biologically meaningful units, such as residues, enabling efficient and expressive multi-scale modeling for large biomolecular systems. DualEquiNet achieves state-of-the-art performance on multiple existing benchmarks for RNA property prediction and protein modeling, and outperforms prior methods on two newly introduced 3D structural benchmarks demonstrating its broad effectiveness across a range of large biomolecule modeling tasks.
• Abstract（参考訳）: E(3)対称性を尊重する幾何学グラフニューラルネットワーク(GNN)は、小さな分子モデリングにおいて高い性能を達成しているが、RNAやタンパク質のような大きな生体分子に適用した場合、スケーラビリティと表現性の課題に直面している。 これらのシステムは、微粒な原子間相互作用、空間的に離れたコンポーネント間の長距離依存、そして原子を形成する残基のような生物学的に関連する階層構造を同時に捉えることができるモデルを必要とする。 既存の幾何学的GNNは、通常ユークリッドまたは球高調波空間でのみ動作するが、大きな生体分子のマルチスケール構造をモデル化するのに必要とされる、微細な原子の詳細と長距離の対称性に依存した依存関係の両方を捉える能力に制限がある。 このネットワークはユークリッド空間と球面高調波空間の相補表現を構築し、局所幾何学と大域対称性を考慮した特徴を捉える。 DualEquiNetは、双方向のクロススペースメッセージパッシングと、新しいクロススペースインタラクションプール機構を使用して、原子の特徴を階層的に残基などの生物学的に意味のある単位に集約し、大規模な生体分子系の効率的かつ表現力のあるマルチスケールモデリングを可能にする。 DualEquiNetは、RNA特性予測とタンパク質モデリングのための複数の既存のベンチマークで最先端のパフォーマンスを達成し、新しい2つの3D構造ベンチマークにおいて、その広範囲なバイオ分子モデリングタスクにおける幅広い効果を示す先行手法を上回ります。

関連論文リスト

• Sampling 3D Molecular Conformers with Diffusion Transformers [13.536503487456622]
  拡散変換器 (DiT) は生成モデルにおいて高い性能を示した。 分子へのDiTの適用は、離散的な分子グラフ情報と連続した3次元幾何学の統合など、新しい課題をもたらす。 モジュールアーキテクチャを通じてこれらの課題に対処するために,DiTを適応させるフレームワークであるDiTMCを提案する。
  論文  参考訳（メタデータ） (2025-06-18T11:47:59Z)
• EquiHGNN: Scalable Rotationally Equivariant Hypergraph Neural Networks [1.7034813545878589]
  分子モデリングを改善するために対称認識表現を統合するフレームワークであるEquiHGNNを紹介する。 我々のアプローチは幾何学的および位相的特性を保ち、より堅牢で物理的に意味のある表現をもたらす。 小さい分子と大きな分子の両方の実験では、高次相互作用は小さな分子に対して限られた利益をもたらすが、大きな分子では一貫して2Dグラフよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2025-05-08T21:11:05Z)
• Bio2Token: All-atom tokenization of any biomolecular structure with Mamba [3.039173168183899]
  完全タンパク質,RNAおよび小分子構造の原子レベルのトークン化を学習する量子化オートエンコーダを開発した。 単純なマンバ状態空間モデルアーキテクチャはSE(3)不変のIPAアーキテクチャと比較して効率的であることを示す。 バイオ2トケンの学習された構造トークンは、将来全ての原子生成モデルの入力として機能する可能性がある。
  論文  参考訳（メタデータ） (2024-10-24T19:23:09Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• Complexity from Adaptive-Symmetries Breaking: Global Minima in the Statistical Mechanics of Deep Neural Networks [0.0]
  深部ニューラルネットワーク(DNN)を理解するために、物理における保守対称性への適応対称性というアンチセティカル概念を提案する。 我々はDNNシステムの最適化過程を適応対称性破りの拡張プロセスとして特徴付けている。 より具体的には、この過程は統計物理学の一般化として評価できる統計力学モデルによって特徴づけられる。
  論文  参考訳（メタデータ） (2022-01-03T09:06:44Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。