論文の概要: MoDyGAN: Combining Molecular Dynamics With GANs to Investigate Protein Conformational Space

• arxiv url: http://arxiv.org/abs/2507.13950v1
• Date: Fri, 18 Jul 2025 14:18:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.313083
• Title: MoDyGAN: Combining Molecular Dynamics With GANs to Investigate Protein Conformational Space
• Title（参考訳）: MoDyGAN:分子動力学とGANを組み合わせてタンパク質形成空間を調査
• Authors: Jingbo Liang, Bruna Jacobson,
• Abstract要約: MoDyGANは、分子動力学シミュレーションと生成敵ネットワーク(GAN)を利用してタンパク質コンフォメーション空間を探索するパイプラインである。 MoDyGANには、ガウス分布をMD由来のタンパク質軌道にマッピングするジェネレータと、アンサンブル学習と二重識別器を組み合わせた精製モジュールが含まれている。 我々のアプローチの中心は、3Dタンパク質構造を2D行列に可逆的に変換する革新的な表現技術である。 以上の結果から,タンパク質をイメージライクなデータとして表現することは,生物分子シミュレーションに高度な深層学習技術を適用する新たな可能性を開くことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Extensively exploring protein conformational landscapes remains a major challenge in computational biology due to the high computational cost involved in dynamic physics-based simulations. In this work, we propose a novel pipeline, MoDyGAN, that leverages molecular dynamics (MD) simulations and generative adversarial networks (GANs) to explore protein conformational spaces. MoDyGAN contains a generator that maps Gaussian distributions into MD-derived protein trajectories, and a refinement module that combines ensemble learning with a dual-discriminator to further improve the plausibility of generated conformations. Central to our approach is an innovative representation technique that reversibly transforms 3D protein structures into 2D matrices, enabling the use of advanced image-based GAN architectures. We use three rigid proteins to demonstrate that MoDyGAN can generate plausible new conformations. We also use deca-alanine as a case study to show that interpolations within the latent space closely align with trajectories obtained from steered molecular dynamics (SMD) simulations. Our results suggest that representing proteins as image-like data unlocks new possibilities for applying advanced deep learning techniques to biomolecular simulation, leading to an efficient sampling of conformational states. Additionally, the proposed framework holds strong potential for extension to other complex 3D structures.
• Abstract（参考訳）: タンパク質コンフォメーションのランドスケープを徹底的に探求することは、動的物理学に基づくシミュレーションに関わる計算コストが高いため、計算生物学において大きな課題である。 本研究では,分子動力学シミュレーションとGANを用いた新規パイプラインMoDyGANを提案する。 MoDyGANは、ガウス分布をMD由来のタンパク質軌道にマッピングするジェネレータと、アンサンブル学習と二重識別器を組み合わせて生成されたコンフォメーションの妥当性をさらに向上させる精製モジュールを含む。 我々のアプローチの中心は、3Dタンパク質構造を2次元行列に可逆的に変換し、高度な画像ベースGANアーキテクチャを利用できる革新的な表現技術である。 3つの剛性タンパク質を用いて、MoDyGANが可塑性新規コンホメーションを生成できることを実証する。 また,デカアラニンをケーススタディとして用いて,潜在空間内の補間が,ステアリング分子動力学(SMD)シミュレーションから得られた軌道と密接に一致していることを示す。 以上の結果から, タンパク質を画像的データとして表現することで, 生体分子シミュレーションに高度な深層学習技術を適用することが可能となり, コンフォメーション状態の効率的なサンプリングが可能であることが示唆された。 さらに,提案フレームワークは,他の複雑な3次元構造への拡張の可能性も強い。

関連論文リスト

• Simultaneous Modeling of Protein Conformation and Dynamics via Autoregression [45.49904590474368]
  ConfRoverは自己回帰モデルであり、MD軌道からタンパク質のコンホメーションとダイナミクスを同時に学習する。 時間に依存しないサンプリングと時間に依存しないサンプリングの両方をサポートする。 大規模タンパク質MDデータセットであるATLASの実験は、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2025-05-23T05:00:15Z)
• 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)
• 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)
• The Latent Road to Atoms: Backmapping Coarse-grained Protein Structures with Latent Diffusion [19.85659309869674]
  潜伏拡散バックマッピング(LDB)は、これらの課題に対処するために潜伏空間内での拡散をデノナイズする新しいアプローチである。 3つの異なるタンパク質データセット上でLDBの最先端性能を評価する。 計算生物学におけるCGシミュレーションと原子レベル解析のギャップを効果的に埋め、LDBをバックマッピングのための強力でスケーラブルなアプローチとして位置づけた。
  論文  参考訳（メタデータ） (2024-10-17T06:38:07Z)
• 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)
• EquiJump: Protein Dynamics Simulation via SO(3)-Equivariant Stochastic Interpolants [13.493198442811865]
  EquiJumpは移動可能なSO(3)-同変モデルで、全原子タンパク質の動力学シミュレーションの時間ステップを直接ブリッジする。 提案手法は様々なサンプリング手法を達成し,高速な折りたたみタンパク質の軌道データに基づく既存のモデルと比較した。
  論文  参考訳（メタデータ） (2024-10-12T23:22:49Z)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• 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)
• Dynamic Molecular Graph-based Implementation for Biophysical Properties Prediction [9.112532782451233]
  本稿では,タンパク質-リガンド相互作用の動的特徴を特徴付けるため,GNNを用いたトランスフォーマーモデルに基づく新しいアプローチを提案する。 我々のメッセージパッシングトランスフォーマーは、物理シミュレーションに基づく分子動力学データに基づいて事前訓練を行い、座標構成を学習し、結合確率と親和性予測を行う。
  論文  参考訳（メタデータ） (2022-12-20T04:21:19Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• 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)
• Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks [0.0]
  機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。 サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
  論文  参考訳（メタデータ） (2022-01-02T23:00:30Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。