論文の概要: Learning residue level protein dynamics with multiscale Gaussians

• arxiv url: http://arxiv.org/abs/2509.01038v1
• Date: Mon, 01 Sep 2025 00:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.512663
• Title: Learning residue level protein dynamics with multiscale Gaussians
• Title（参考訳）: マルチスケールガウスによる残基レベルのタンパク質動態の学習
• Authors: Mihir Bafna, Bowen Jing, Bonnie Berger,
• Abstract要約: DynaProtは、静的構造から直接タンパク質ダイナミクスのリッチな記述子を予測する軽量フレームワークである。 本研究は,タンパク質動態予測を既存手法のスケーラブルな代替手段として活用する可能性を強調した。
• 参考スコア（独自算出の注目度）: 14.292215300786715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many methods have been developed to predict static protein structures, however understanding the dynamics of protein structure is essential for elucidating biological function. While molecular dynamics (MD) simulations remain the in silico gold standard, its high computational cost limits scalability. We present DynaProt, a lightweight, SE(3)-invariant framework that predicts rich descriptors of protein dynamics directly from static structures. By casting the problem through the lens of multivariate Gaussians, DynaProt estimates dynamics at two complementary scales: (1) per-residue marginal anisotropy as $3 \times 3$ covariance matrices capturing local flexibility, and (2) joint scalar covariances encoding pairwise dynamic coupling across residues. From these dynamics outputs, DynaProt achieves high accuracy in predicting residue-level flexibility (RMSF) and, remarkably, enables reasonable reconstruction of the full covariance matrix for fast ensemble generation. Notably, it does so using orders of magnitude fewer parameters than prior methods. Our results highlight the potential of direct protein dynamics prediction as a scalable alternative to existing methods.
• Abstract（参考訳）: 静的なタンパク質構造を予測するために多くの方法が開発されているが、タンパク質構造のダイナミクスを理解することは生物学的機能の解明に不可欠である。 分子動力学(MD)シミュレーションはシリコゴールドの標準のままであるが、高い計算コストはスケーラビリティを制限している。 静的構造から直接タンパク質動態のリッチな記述子を予測する軽量なSE(3)不変フレームワークであるDynaProtを提案する。 多変量ガウスのレンズを通して問題をキャストすることにより、ダイナプロートは、(1)残余の辺縁異方性(英語版)(per-residue marginal anisotropy)を3 \times 3$共分散行列(英語版)(covariance matrices)として、2つの相補的なスケールで力学を推定する。 これらのダイナミックス出力から、DynaProtは残差レベルの柔軟性(RMSF)を予測する上で高い精度を実現し、驚くべきことに、高速アンサンブル生成のための完全な共分散行列を合理的に再構築することができる。 特に、以前のメソッドよりも桁違いに少ないパラメータを使用する。 本研究は,タンパク質動態予測を既存手法のスケーラブルな代替手段として活用する可能性を強調した。

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)
• Stability properties of gradient flow dynamics for the symmetric low-rank matrix factorization problem [22.648448759446907]
  多くの学習課題において,低ランク因子化がビルディングブロックとして機能することを示す。 ダイナミクスの局所的な探索部分に関連する軌跡の形状に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2024-11-24T20:05:10Z)
• 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)
• Dynamic PDB: A New Dataset and a SE(3) Model Extension by Integrating Dynamic Behaviors and Physical Properties in Protein Structures [15.819618708991598]
  約12.6Kタンパク質を含む大規模データセットであるDynamic PDBを導入する。 我々は、原子速度と力、ポテンシャルと運動エネルギー、シミュレーション環境の温度を含む、総合的な物理特性スイートを提供する。 本研究は, 軌道予測の課題に対して, 提案したデータセット上での最先端手法の評価を行う。
  論文  参考訳（メタデータ） (2024-08-22T14:06:01Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。