論文の概要: MD-LLM-1: A Large Language Model for Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2508.03709v1
• Date: Mon, 21 Jul 2025 20:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.335405
• Title: MD-LLM-1: A Large Language Model for Molecular Dynamics
• Title（参考訳）: MD-LLM-1:分子動力学のための大規模言語モデル
• Authors: Mhd Hussein Murtada, Z. Faidon Brotzakis, Michele Vendruscolo,
• Abstract要約: 分子動力学大言語モデル (MD-LLM) フレームワークを導入し, LLMを用いてタンパク質動態を学習し, 学習中に見えない状態を検出する方法について述べる。 MD-LLM-1は、タンパク質の構造的景観の探索の原理を学習できるが、その熱力学と運動学は明確にモデル化されていない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular dynamics (MD) is a powerful approach for modelling molecular systems, but it remains computationally intensive on spatial and time scales of many macromolecular systems of biological interest. To explore the opportunities offered by deep learning to address this problem, we introduce a Molecular Dynamics Large Language Model (MD-LLM) framework to illustrate how LLMs can be leveraged to learn protein dynamics and discover states not seen in training. By applying MD-LLM-1, the first implementation of this approach, obtained by fine-tuning Mistral 7B, to the T4 lysozyme and Mad2 protein systems, we show that training on one conformational state enables the prediction of other conformational states. These results indicate that MD-LLM-1 can learn the principles for the exploration of the conformational landscapes of proteins, although it is not yet modeling explicitly their thermodynamics and kinetics.
• Abstract（参考訳）: 分子動力学(MD)は分子系をモデル化するための強力なアプローチであるが、生物学的興味を持つ多くのマクロ分子系の空間的および時間的スケールに計算的に集中している。 ディープラーニングがこの問題に対処する機会を探るため,分子動力学大言語モデル(MD-LLM)フレームワークを導入する。 MD-LLM-1は,T4リソザイムおよびMad2タンパク質系に微調整ミストラール7Bを応用することにより,一方のコンフォメーション状態におけるトレーニングが他のコンフォメーション状態の予測を可能にすることを示す。 これらの結果は,MD-LLM-1がタンパク質の構造的景観の探索の原理を学習できることを示唆している。

関連論文リスト

• 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)
• Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
  データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。 このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T13:02:28Z)
• MolTC: Towards Molecular Relational Modeling In Language Models [28.960416816491392]
  分子間相互作用予測のための新しい枠組みとして,分子間相互作用予測法(分子間相互作用予測法)を提案する。 我々の実験は4000,000以上の分子対を含む様々なデータセットで実施され、現在のGNNおよびLLMベースラインよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-02-06T07:51:56Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• 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)
• Improving Molecular Pretraining with Complementary Featurizations [20.86159731100242]
  分子プレトレーニング(英: molecular pretraining)は、計算化学と薬物発見における様々な課題を解決するためのパラダイムである。 化学情報を異なる方法で伝達できることが示される。 我々は, 簡易で効果的な分子事前学習フレームワーク(MOCO)を提案する。
  論文  参考訳（メタデータ） (2022-09-29T21:11:09Z)
• 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)
• 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)
• Symmetry-adapted graph neural networks for constructing molecular dynamics force fields [10.820190246285122]
  分子動力学シミュレーションのための力場を自動構築する対称性適応グラフニューラルネットワークフレームワークを開発した。 MDGNNは古典的分子動力学と第一原理分子動力学の両方の結果を正確に再現する。
  論文  参考訳（メタデータ） (2021-01-08T09:32:24Z)

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。