論文の概要: Transferable Generative Models Bridge Femtosecond to Nanosecond Time-Step Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2510.07589v1
• Date: Wed, 08 Oct 2025 22:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.757723
• Title: Transferable Generative Models Bridge Femtosecond to Nanosecond Time-Step Molecular Dynamics
• Title（参考訳）: フェムト秒からナノ秒時間ステップ分子動力学への変換可能な生成モデル
• Authors: Juan Viguera Diez, Mathias Schreiner, Simon Olsson,
• Abstract要約: 分子動力学の4桁のサンプリングを高速化する深層生成モデリングフレームワークを提案する。 このアプローチは、化学や生物物理学の中心となるシステムにおいて、コンフォメーションランドスケープ、熱力学、運動学を探索する新たな機会を開く。
• 参考スコア（独自算出の注目度）: 3.9508022083907393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding molecular structure, dynamics, and reactivity requires bridging processes that occur across widely separated time scales. Conventional molecular dynamics simulations provide atomistic resolution, but their femtosecond time steps limit access to the slow conformational changes and relaxation processes that govern chemical function. Here, we introduce a deep generative modeling framework that accelerates sampling of molecular dynamics by four orders of magnitude while retaining physical realism. Applied to small organic molecules and peptides, the approach enables quantitative characterization of equilibrium ensembles and dynamical relaxation processes that were previously only accessible by costly brute-force simulation. Importantly, the method generalizes across chemical composition and system size, extrapolating to peptides larger than those used for training, and captures chemically meaningful transitions on extended time scales. By expanding the accessible range of molecular motions without sacrificing atomistic detail, this approach opens new opportunities for probing conformational landscapes, thermodynamics, and kinetics in systems central to chemistry and biophysics.
• Abstract（参考訳）: 分子構造、ダイナミクス、反応性を理解するには、広く分離された時間スケールで発生するブリッジングプロセスが必要である。 従来の分子動力学シミュレーションは原子論的な解法を提供するが、そのフェムト秒の時間ステップは、化学機能を管理する遅いコンフォメーション変化と緩和過程へのアクセスを制限する。 本稿では,物理リアリズムを維持しつつ,分子動力学の4桁のサンプリングを高速化する深層生成モデリングフレームワークを提案する。 この手法は、小さな有機分子やペプチドに応用され、これまで高価なブルートフォースシミュレーションでしかアクセスできなかった平衡アンサンブルや動的緩和過程の定量的評価を可能にした。 重要なことに、この方法は化学組成およびシステムサイズを一般化し、トレーニングに使用されるペプチドよりも大きいペプチドを外挿し、拡張された時間スケールで化学的に有意義な遷移を捕捉する。 原子論的な詳細を犠牲にすることなく、アクセス可能な分子運動の範囲を広げることにより、この手法は化学や生物物理学の中心となる系のコンフォメーションランドスケープ、熱力学、運動学を探索する新たな機会を開く。

関連論文リスト

• Unveiling the Dance of Molecules: Ro-Vibrational Dynamics of Molecules under Intense Illumination at Complex Plasmonic Interfaces [0.0]
  本研究では,Fabry-Perotキャビティおよび3次元プラズモン準曲面における強共振ポンプ励起後の分子集合の緩和ダイナミクスについて検討した。 シミュレーションにより、空洞内の緩和経路は自由空間に比べて劇的に変化し、永続的な分子アライメントが特徴である。 また、分子キャビティモードの脱落によって引き起こされる、未報告の緩和安定化機構の存在も示している。
  論文  参考訳（メタデータ） (2024-12-03T22:17:35Z)
• Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics [38.53044197103943]
  GF-NODEは、空間周波数分解のためのグラフフーリエ変換と、連続時間進化のためのニューラルODEフレームワークを統合する。 GF-NODEは,拡張シミュレーションよりも重要な幾何学的特徴を保ちながら,最先端の精度を実現する。 これらの結果は,MDシミュレーションの強靭性と予測力を改善するために,連続時間モデルによるスペクトル分解のブリッジ化が期待できることを示す。
  論文  参考訳（メタデータ） (2024-11-03T15:10:48Z)
• Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond [33.54862439531144]
  生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。 本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。 力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
  論文  参考訳（メタデータ） (2023-07-13T23:00:22Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model [44.60174246341653]
  本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。 提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。 これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:16:08Z)
• 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)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Molecular Latent Space Simulators [8.274472944075713]
  本研究では、連続的な全原子シミュレーション軌道の運動モデルを学ぶための潜在空間シミュレータ(LSS)を提案する。 Trpタンパク質を応用して, 新規な超長尺合成折りたたみ路を創出する手法を実証する。
  論文  参考訳（メタデータ） (2020-07-01T20:05:27Z)

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。