論文の概要: AI-based Methods for Simulating, Sampling, and Predicting Protein Ensembles

• arxiv url: http://arxiv.org/abs/2509.17224v1
• Date: Sun, 21 Sep 2025 20:14:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.174115
• Title: AI-based Methods for Simulating, Sampling, and Predicting Protein Ensembles
• Title（参考訳）: タンパク質アンサンブルのシミュレーション、サンプリング、予測のためのAIベースの方法
• Authors: Bowen Jing, Bonnie Berger, Tommi Jaakkola,
• Abstract要約: レビューでは、AIによるタンパク質アンサンブルの予測に向けた最近の研究の方向性を強調している。 現在の手法の技術的成熟度に関する現実的な評価に重点を置いている。 私たちは、トレーニングデータの可用性における課題を克服するために、モデルトレーニング、シミュレーション、推論の間の"ループを閉じる"ことを提唱します。
• 参考スコア（独自算出の注目度）: 16.635202322160243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in deep learning have opened an era of abundant and accurate predicted protein structures; however, similar progress in protein ensembles has remained elusive. This review highlights several recent research directions towards AI-based predictions of protein ensembles, including coarse-grained force fields, generative models, multiple sequence alignment perturbation methods, and modeling of ensemble descriptors. An emphasis is placed on realistic assessments of the technological maturity of current methods, the strengths and weaknesses of broad families of techniques, and promising machine learning frameworks at an early stage of development. We advocate for "closing the loop" between model training, simulation, and inference to overcome challenges in training data availability and to enable the next generation of models.
• Abstract（参考訳）: ディープラーニングの進歩は、豊富で正確な予測されたタンパク質構造の時代を開いたが、タンパク質のアンサンブルの類似した進歩は、いまだ解明されていない。 このレビューでは、粗い力場、生成モデル、複数のシーケンスアライメント摂動法、アンサンブル記述子のモデリングなど、AIに基づくタンパク質アンサンブルの予測に向けた最近の研究の方向性を強調している。 従来の手法の技術的成熟度、幅広い技術ファミリーの強みと弱さ、そして開発初期段階における有望な機械学習フレームワークの現実的な評価に重点を置いている。 我々は、モデルのトレーニング、シミュレーション、推論の間の「ループを閉じる」ことを提唱し、データの可用性をトレーニングする際の課題を克服し、次世代のモデルを可能にする。

関連論文リスト

• AMix-1: A Pathway to Test-Time Scalable Protein Foundation Model [92.51919604882984]
  本稿では,Flow Bayesian Networks上に構築された強力なタンパク質基盤モデルAMix-1を紹介する。 AMix-1は、事前学習のスケーリング法則、創発的能力分析、コンテキスト内学習機構、テスト時間スケーリングアルゴリズムを含む、体系的なトレーニング手法によって強化されている。 この基盤を基盤として、タンパク質設計を汎用フレームワークに統合するためのマルチシーケンスアライメント(MSA)ベースのコンテキスト内学習戦略を考案した。
  論文  参考訳（メタデータ） (2025-07-11T17:02:25Z)
• Advanced Deep Learning Methods for Protein Structure Prediction and Design [28.575821996185024]
  タンパク質構造予測と設計に応用した高度な深層学習手法を包括的に検討する。 テキストは、構造生成、評価指標、多重シーケンスアライメント処理、ネットワークアーキテクチャを含む重要なコンポーネントを分析する。 予測精度を向上し、深層学習技術と実験的検証を統合するための戦略を徹底的に検討した。
  論文  参考訳（メタデータ） (2025-03-14T21:28:29Z)
• Speculative Decoding and Beyond: An In-Depth Survey of Techniques [4.165029665035158]
  シーケンシャルな依存関係は、大規模な自己回帰モデルをデプロイする上で、根本的なボトルネックとなる。 ジェネレーション・リファインメント・フレームワークの最近の進歩は、このトレードオフを著しく緩和できることを示している。
  論文  参考訳（メタデータ） (2025-02-27T03:53:45Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
  機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。 本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
  論文  参考訳（メタデータ） (2022-09-28T11:41:38Z)

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。