論文の概要: Let Physics Guide Your Protein Flows: Topology-aware Unfolding and Generation

• arxiv url: http://arxiv.org/abs/2509.25379v1
• Date: Mon, 29 Sep 2025 18:31:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.270629
• Title: Let Physics Guide Your Protein Flows: Topology-aware Unfolding and Generation
• Title（参考訳）: タンパク質の流れを物理でガイドしてみよう
• Authors: Yogesh Verma, Markus Heinonen, Vikas Garg,
• Abstract要約: 拡散に基づく生成モデルはタンパク質の設計に革命をもたらし、新しいタンパク質の創出を可能にした。 タンパク質を二次構造に展開する物理的動機付けのない非線形ノイズ発生過程を古典物理学に基礎として導入する。 次に、このプロセスとSE(3)上のフローマッチングパラダイムを統合し、高い忠実度を持つタンパク質のバックボーンの不変分布をモデル化する。
• 参考スコア（独自算出の注目度）: 42.116704617358636
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Protein structure prediction and folding are fundamental to understanding biology, with recent deep learning advances reshaping the field. Diffusion-based generative models have revolutionized protein design, enabling the creation of novel proteins. However, these methods often neglect the intrinsic physical realism of proteins, driven by noising dynamics that lack grounding in physical principles. To address this, we first introduce a physically motivated non-linear noising process, grounded in classical physics, that unfolds proteins into secondary structures (e.g., alpha helices, linear beta sheets) while preserving topological integrity--maintaining bonds, and preventing collisions. We then integrate this process with the flow-matching paradigm on SE(3) to model the invariant distribution of protein backbones with high fidelity, incorporating sequence information to enable sequence-conditioned folding and expand the generative capabilities of our model. Experimental results demonstrate that the proposed method achieves state-of-the-art performance in unconditional protein generation, producing more designable and novel protein structures while accurately folding monomer sequences into precise protein conformations.
• Abstract（参考訳）: タンパク質の構造予測と折り畳みは生物学の理解の基礎であり、近年の深層学習の進歩がフィールドを再構築している。 拡散に基づく生成モデルはタンパク質の設計に革命をもたらし、新しいタンパク質の創出を可能にした。 しかしながら、これらの手法は、物理原理の根底に欠ける力学をノイズ化することによって引き起こされる、タンパク質の本質的な物理的現実性を無視していることが多い。 そこで本研究では,タンパク質を二次構造(αヘリックス,リニアベータシートなど)に展開し,トポロジカルな完全性維持と衝突の防止を図った。 次に、このプロセスとSE(3)上のフローマッチングパラダイムを統合し、高忠実度でタンパク質のバックボーンの不変分布をモデル化し、配列情報を組み込んで、配列条件の折り畳みを可能にし、モデルの生成能力を拡大する。 実験により, モノマー配列を精密なタンパク質配列に正確に折り畳みながら, 設計性が高く, 新規なタンパク質構造を創出できることを示す。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• AlphaFolding: 4D Diffusion for Dynamic Protein Structure Prediction with Reference and Motion Guidance [18.90451943620277]
  本研究では分子動力学(MD)シミュレーションデータを用いた動的タンパク質構造学習のための革新的4次元拡散モデルを提案する。 本モデルでは,32時間で最大256個のアミノ酸を含むタンパク質の動的3次元構造を予測できる。
  論文  参考訳（メタデータ） (2024-08-22T14:12:50Z)
• Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
  新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。 本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
  論文  参考訳（メタデータ） (2024-03-21T02:44:08Z)
• Protein structure generation via folding diffusion [16.12124223972183]
  本稿では,タンパク質のバックボーン構造を設計する拡散モデルを提案する。 ランダムな展開状態から安定な折り畳み構造へデノイングすることで、新しい構造を生成する。 有用な資源として、タンパク質構造拡散のための最初のオープンソースおよび訓練されたモデルをリリースする。
  論文  参考訳（メタデータ） (2022-09-30T17:35:53Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)

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。