論文の概要: Accelerating Protein Molecular Dynamics Simulation with DeepJump

• arxiv url: http://arxiv.org/abs/2509.13294v1
• Date: Tue, 16 Sep 2025 17:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:53.214231
• Title: Accelerating Protein Molecular Dynamics Simulation with DeepJump
• Title（参考訳）: DeepJumpによるタンパク質分子動力学シミュレーションの高速化
• Authors: Allan dos Santos Costa, Manvitha Ponnapati, Dana Rubin, Tess Smidt, Joseph Jacobson,
• Abstract要約: DeepJumpはEuclidean-Equivariant Flow Matchingベースのモデルで、複数の時間スケールにわたるタンパク質のコンフォメーションダイナミクスを予測する。 本研究では,高速折り畳みタンパク質の長期動態を一般化し,計算加速度と予測精度のトレードオフを特徴付けるモデルの性能について検討する。
• 参考スコア（独自算出の注目度）: 0.16014584261209674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unraveling the dynamical motions of biomolecules is essential for bridging their structure and function, yet it remains a major computational challenge. Molecular dynamics (MD) simulation provides a detailed depiction of biomolecular motion, but its high-resolution temporal evolution comes at significant computational cost, limiting its applicability to timescales of biological relevance. Deep learning approaches have emerged as promising solutions to overcome these computational limitations by learning to predict long-timescale dynamics. However, generalizable kinetics models for proteins remain largely unexplored, and the fundamental limits of achievable acceleration while preserving dynamical accuracy are poorly understood. In this work, we fill this gap with DeepJump, an Euclidean-Equivariant Flow Matching-based model for predicting protein conformational dynamics across multiple temporal scales. We train DeepJump on trajectories of the diverse proteins of mdCATH, systematically studying our model's performance in generalizing to long-term dynamics of fast-folding proteins and characterizing the trade-off between computational acceleration and prediction accuracy. We demonstrate the application of DeepJump to ab initio folding, showcasing prediction of folding pathways and native states. Our results demonstrate that DeepJump achieves significant $\approx$1000$\times$ computational acceleration while effectively recovering long-timescale dynamics, providing a stepping stone for enabling routine simulation of proteins.
• Abstract（参考訳）: 生体分子の動的運動を解明することは、それらの構造と機能をブリッジするのに不可欠であるが、依然として大きな計算課題である。 分子動力学(MD)シミュレーションは、生体分子運動の詳細な描写を提供するが、その高分解能時間進化は、その生物学的関連性の時間スケールに限定し、かなりの計算コストがかかる。 ディープラーニングアプローチは、これらの計算制限を克服し、長期間のダイナミックスを予測することによって、有望なソリューションとして現れてきた。 しかし、タンパク質の一般化可能な動力学モデルはほとんど探索されておらず、動的精度を維持しながら達成可能な加速の基本的な限界は理解されていない。 本研究では,このギャップをユークリッド同変フローマッチングモデルであるDeepJumpで埋める。 我々は、mdCATHの多様なタンパク質の軌道上でDeepJumpを訓練し、高速折り畳みタンパク質の長期的ダイナミクスへの一般化における我々のモデルの性能を体系的に研究し、計算加速度と予測精度のトレードオフを特徴づける。 Inb initio folding に対する DeepJump の応用を実証し, 折り畳み経路とネイティブ状態の予測を行った。 以上の結果から,DeepJumpは長期的ダイナミックスを効果的に回復し,タンパク質の定期的なシミュレーションを可能にするステップストーンを提供するとともに,$1000$\times$計算の高速化を実現していることがわかった。

関連論文リスト

• Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [2.7682352794376723]
  生体分子の長期的ダイナミクスをシミュレーションすることは、計算科学における中心的な課題である。 LD-FPGを学習空間内で動作する時間的プロパゲータで拡張する。 我々は,長期の安定性,背骨と側鎖のアンサンブルの忠実度,機能的自由エネルギー景観を評価した。
  論文  参考訳（メタデータ） (2025-09-02T11:09:06Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• FlashMD: long-stride, universal prediction of molecular dynamics [4.10341947149624]
  我々は,通常のMD時間ステップよりも1～2桁長いストライド上の位置とモーメントの進化を予測する手法であるFlashMDを提案する。 システム固有モデルと汎用モデルの両方を用いて, 平衡特性と時間依存特性の再現におけるFlashMDの精度を検証した。
  論文  参考訳（メタデータ） (2025-05-25T22:34:31Z)
• BoostMD: Accelerating molecular sampling by leveraging ML force field features from previous time-steps [3.8214695776749013]
  BoostMDは分子動力学シミュレーションを高速化するために設計されたサロゲートモデルアーキテクチャである。 実験の結果,BoostMDは参照モデルと比較して8倍のスピードアップを実現していることがわかった。 効率的な機能再利用と合理化されたアーキテクチャを組み合わせることで、BoostMDは大規模で長期の分子シミュレーションを行うための堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-12-21T20:52:36Z)
• Navigating protein landscapes with a machine-learned transferable coarse-grained model [29.252004942896875]
  同様の予測性能を持つ粗粒度(CG)モデルは、長年にわたる課題である。 ケミカルトランスポータビリティを持つボトムアップCG力場を開発し,新しい配列の分子動力学に利用することができる。 本モデルでは, 折り畳み構造, 中間体, メタスタブル折り畳み型および折り畳み型流域, 内在的に不規則なタンパク質のゆらぎの予測に成功している。
  論文  参考訳（メタデータ） (2023-10-27T17:10:23Z)
• 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)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。