論文の概要: BioMD: All-atom Generative Model for Biomolecular Dynamics Simulation

• arxiv url: http://arxiv.org/abs/2509.02642v1
• Date: Tue, 02 Sep 2025 07:12:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.277477
• Title: BioMD: All-atom Generative Model for Biomolecular Dynamics Simulation
• Title（参考訳）: BioMD: 生体分子動力学シミュレーションのための全原子生成モデル
• Authors: Bin Feng, Jiying Zhang, Xinni Zhang, Zijing Liu, Yu Li,
• Abstract要約: 長大なタンパク質-リガンドダイナミクスをシミュレートする最初の全原子生成モデルであるBioMDを紹介する。 両方のデータセットに対して、BioMDは極めて現実的なコンフォーメーションを生成し、高い物理的妥当性と低い再構成エラーを示す。 これらの結果は、複雑な生体分子過程をシミュレートするツールとしてBioMDを確立し、計算化学と薬物発見に幅広い応用性を提供する。
• 参考スコア（独自算出の注目度）: 14.323362384234441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular dynamics (MD) simulations are essential tools in computational chemistry and drug discovery, offering crucial insights into dynamic molecular behavior. However, their utility is significantly limited by substantial computational costs, which severely restrict accessible timescales for many biologically relevant processes. Despite the encouraging performance of existing machine learning (ML) methods, they struggle to generate extended biomolecular system trajectories, primarily due to the lack of MD datasets and the large computational demands of modeling long historical trajectories. Here, we introduce BioMD, the first all-atom generative model to simulate long-timescale protein-ligand dynamics using a hierarchical framework of forecasting and interpolation. We demonstrate the effectiveness and versatility of BioMD on the DD-13M (ligand unbinding) and MISATO datasets. For both datasets, BioMD generates highly realistic conformations, showing high physical plausibility and low reconstruction errors. Besides, BioMD successfully generates ligand unbinding paths for 97.1% of the protein-ligand systems within ten attempts, demonstrating its ability to explore critical unbinding pathways. Collectively, these results establish BioMD as a tool for simulating complex biomolecular processes, offering broad applicability for computational chemistry and drug discovery.
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは、計算化学や薬物発見において重要なツールであり、動的分子の挙動に関する重要な洞察を提供する。 しかし、それらの効用は相当な計算コストによって著しく制限されており、多くの生物学的なプロセスにおいてアクセス可能な時間スケールを著しく制限している。 既存の機械学習(ML)手法の性能向上にもかかわらず、MDデータセットの欠如と長い歴史軌跡をモデル化する膨大な計算要求のために、拡張された生体分子系軌跡を生成するのに苦労している。 ここでは、予測と補間という階層的枠組みを用いて、長期のタンパク質-リガンドダイナミクスをシミュレートする最初の全原子生成モデルであるBioMDを紹介する。 DD-13M(リガンド非結合)およびMISATOデータセットにおけるBioMDの有効性と汎用性を示す。 両方のデータセットに対して、BioMDは極めて現実的なコンフォーメーションを生成し、高い物理的妥当性と低い再構成エラーを示す。 さらに、BioMDは10回の試験で97.1%のタンパク質リガンド系のリガンド非結合経路を正常に生成し、重要な非結合経路を探索する能力を示した。 これらの結果は、複雑な生体分子過程をシミュレートするツールとしてBioMDを確立し、計算化学と薬物発見に幅広い応用性を提供する。

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)
• Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics [10.80659641278556]
  薬物-タンパク質結合と解離ダイナミクスは、生物学的システムにおける分子間相互作用を理解するための基礎となる。 本稿では,分子動力学シミュレーション,強化サンプリング,AI生成モデルを組み合わせた新しい研究パラダイムを提案する。 本研究は, 薬物-タンパク質複合体の幅広い範囲を網羅し, 経路予測の新しい応用を探求するために, この方法論を拡張することに焦点を当てている。
  論文  参考訳（メタデータ） (2025-04-25T14:10:06Z)
• 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)
• 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)
• 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)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• 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。