論文の概要: HemePLM-Diffuse: A Scalable Generative Framework for Protein-Ligand Dynamics in Large Biomolecular System

• arxiv url: http://arxiv.org/abs/2508.16587v1
• Date: Thu, 07 Aug 2025 17:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-31 21:54:20.563679
• Title: HemePLM-Diffuse: A Scalable Generative Framework for Protein-Ligand Dynamics in Large Biomolecular System
• Title（参考訳）: HemePLM-Diffuse:大規模生体分子系におけるタンパク質-リガンドダイナミクスのためのスケーラブルな生成フレームワーク
• Authors: Rakesh Thakur, Riya Gupta,
• Abstract要約: 本稿では,タンパク質リガンド軌道の正確なシミュレーションを目的とした,革新的な生成変換モデルであるHemeM-Diffuseを紹介する。 本稿では,3CQV HEMEシステムを用いて,TorchMD-Net,MDGEN,Uni-Molなどの先行モデルと比較して,精度とスケーラビリティを向上した性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Comprehending the long-timescale dynamics of protein-ligand complexes is very important for drug discovery and structural biology, but it continues to be computationally challenging for large biomolecular systems. We introduce HemePLM-Diffuse, an innovative generative transformer model that is designed for accurate simulation of protein-ligand trajectories, inpaints the missing ligand fragments, and sample transition paths in systems with more than 10,000 atoms. HemePLM-Diffuse has features of SE(3)-Invariant tokenization approach for proteins and ligands, that utilizes time-aware cross-attentional diffusion to effectively capture atomic motion. We also demonstrate its capabilities using the 3CQV HEME system, showing enhanced accuracy and scalability compared to leading models such as TorchMD-Net, MDGEN, and Uni-Mol.
• Abstract（参考訳）: タンパク質-リガンド複合体の長期的ダイナミクスを補完することは、医薬品の発見と構造生物学にとって非常に重要であるが、大規模な生体分子系では計算的に困難である。 タンパク質-リガンド軌道の正確なシミュレーションのために設計された革新的な生成トランスフォーマーモデルであるHemePLM-Diffuseを導入する。 HemePLM-DiffuseはSE(3)-不変なタンパク質とリガンドのトークン化アプローチの特徴を持つ。 また,3CQV HEMEシステムを用いて,TorchMD-Net,MDGEN,Uni-Molなどの先行モデルと比較して,精度とスケーラビリティが向上した。

関連論文リスト

• A Scalable and Quantum-Accurate Foundation Model for Biomolecular Force Field via Linearly Tensorized Quadrangle Attention [6.749581549330875]
  我々は、原子性生体分子シミュレーションのための新しいAIベースの力場フレームワークLiTENを紹介する。 LiTENをベースとしたLiTEN-FFは、幅広い化学一般化のためのnablaDFTデータセットで事前訓練された堅牢なAIFF基盤モデルである。 LiTENは、rMD17、MD22、Chignolinのほとんどの評価サブセットでSOTA(State-of-the-art)のパフォーマンスを達成し、MACE、NequIP、EquiFormerといった主要なモデルよりも優れている。
  論文  参考訳（メタデータ） (2025-07-01T15:52:39Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [77.26556208024633]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• 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)
• From Peptides to Nanostructures: A Euclidean Transformer for Fast and Stable Machine Learned Force Fields [5.013279299982324]
  本稿では,疎等式表現と自己注意機構を組み合わせたSO3kratesというトランスフォーマーアーキテクチャを提案する。 SO3kratesは精度、安定性、速度の独特な組み合わせを実現し、拡張時間とシステムサイズスケールでの物質の量子特性の洞察に富んだ分析を可能にする。
  論文  参考訳（メタデータ） (2023-09-21T09:22:05Z)
• Implicit Transfer Operator Learning: Multiple Time-Resolution Surrogates for Molecular Dynamics [8.35780131268962]
  シミュレーションプロセスのサロゲートを複数の時間分解能で学習するフレームワークであるImplict Transfer Operator (ITO) Learningを提案する。 また、全原子分子動力学を定量的にモデル化できる粗粒CG-SE3-ITOモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-29T12:19:41Z)
• Protein-Ligand Complex Generator & Drug Screening via Tiered Tensor Transform [18.509174420141832]
  薬物スクリーニングにおけるポーズおよび親和性評価のための多種多様なタンパク質-リガンド複合体コンホメーションを生成するアルゴリズムを開発した。 3T構造変換はシステム物理学から切り離され、他の計算科学領域で将来利用できるようになる。
  論文  参考訳（メタデータ） (2023-01-03T07:33:20Z)
• 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)
• 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)
• Accelerated Simulations of Molecular Systems through Learning of their Effective Dynamics [4.276697874428501]
  本稿では,最大3桁のシミュレーションを行うための新しい枠組みを提案する。 ledは分子系の効果的なダイナミクスを学ぶ。 我々は、M"ueller-Brown電位、Trp Cageタンパク質、およびアラニンジペプチドにおけるLEDの有効性を実証する。
  論文  参考訳（メタデータ） (2021-02-17T15:15:37Z)

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。