論文の概要: TEMPO: Temporal Multi-scale Autoregressive Generation of Protein Conformational Ensembles

• arxiv url: http://arxiv.org/abs/2511.05510v1
• Date: Fri, 24 Oct 2025 13:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-16 06:38:31.00509
• Title: TEMPO: Temporal Multi-scale Autoregressive Generation of Protein Conformational Ensembles
• Title（参考訳）: TEMPO:タンパク質コンフォーメーションアンサンブルの時間的マルチスケール自己回帰生成
• Authors: Yaoyao Xu, Di Wang, Zihan Zhou, Tianshu Yu, Mingchen Chen,
• Abstract要約: 本稿では,タンパク質の動的モデリングのための新しい階層的自己回帰フレームワークを提案する。 最先端の生成モデルを用いて高レベルの生物物理原理をブリッジすることにより,タンパク質の動態をシミュレーションするための効率的な枠組みを提供する。
• 参考スコア（独自算出の注目度）: 8.6867067594535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the dynamic behavior of proteins is critical to elucidating their functional mechanisms, yet generating realistic, temporally coherent trajectories of protein ensembles remains a significant challenge. In this work, we introduce a novel hierarchical autoregressive framework for modeling protein dynamics that leverages the intrinsic multi-scale organization of molecular motions. Unlike existing methods that focus on generating static conformational ensembles or treat dynamic sampling as an independent process, our approach characterizes protein dynamics as a Markovian process. The framework employs a two-scale architecture: a low-resolution model captures slow, collective motions driving major conformational transitions, while a high-resolution model generates detailed local fluctuations conditioned on these large-scale movements. This hierarchical design ensures that the causal dependencies inherent in protein dynamics are preserved, enabling the generation of temporally coherent and physically realistic trajectories. By bridging high-level biophysical principles with state-of-the-art generative modeling, our approach provides an efficient framework for simulating protein dynamics that balances computational efficiency with physical accuracy.
• Abstract（参考訳）: タンパク質の動的挙動を理解することは、それらの機能機構を解明するために重要であるが、現実的で時間的に整合したタンパク質アンサンブルの軌道を生成することは重要な課題である。 本研究では,分子運動の本質的な多スケール構造を利用したタンパク質動態モデリングのための新しい階層的自己回帰フレームワークを提案する。 静的なコンフォメーションアンサンブルの生成や動的サンプリングを独立したプロセスとして扱う既存の方法とは異なり,本手法はタンパク質の動的解析をマルコフ過程として特徴付ける。 低分解能モデルが遅く、集団的な動きを捉え、大きなコンフォメーション遷移を駆動し、高分解能モデルがこれらの大規模な動きに条件付けられた詳細な局所的ゆらぎを生成する。 この階層的な設計は、タンパク質のダイナミクスに固有の因果依存が保存されることを保証し、時間的整合性および物理的に現実的な軌道の生成を可能にする。 本手法は,高レベルの生物物理原理を最先端の生成モデルでブリッジすることで,計算効率と物理精度のバランスをとるタンパク質の動態をシミュレーションするための効率的な枠組みを提供する。

関連論文リスト

• 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)
• Simultaneous Modeling of Protein Conformation and Dynamics via Autoregression [45.49904590474368]
  ConfRoverは自己回帰モデルであり、MD軌道からタンパク質のコンホメーションとダイナミクスを同時に学習する。 時間に依存しないサンプリングと時間に依存しないサンプリングの両方をサポートする。 大規模タンパク質MDデータセットであるATLASの実験は、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2025-05-23T05:00:15Z)
• Agentic End-to-End De Novo Protein Design for Tailored Dynamics Using a Language Diffusion Model [0.5678271181959529]
  VibeGenは、ノーマルモードの振動を条件としたエンド・ツー・エンドのデ・ノボタンパク質の設計を可能にする、ジェネレーティブなAIフレームワークである。 我々の研究は、タンパク質のダイナミクスを生成タンパク質の設計に統合し、配列と振動の振舞いの直接的な双方向リンクを確立する。
  論文  参考訳（メタデータ） (2025-02-14T14:07:54Z)
• ProtSCAPE: Mapping the landscape of protein conformations in molecular dynamics [3.6181745062052495]
  我々は,新しい深層学習アーキテクチャ,タンパク質トランスフォーマー,散乱,注意,位置埋め込み(ProtSCAPE)を導入する。 ProtSCAPEは、幾何学的散乱変換のマルチスケールの性質を利用して、グラフとして概念化されたタンパク質構造から特徴を抽出する。 これらの特徴を、残基やアミノ酸シグナルに焦点をあてた二重の注意構造と統合し、タンパク質軌道の潜在的な表現を生成する。
  論文  参考訳（メタデータ） (2024-10-27T02:59:48Z)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• EquiJump: Protein Dynamics Simulation via SO(3)-Equivariant Stochastic Interpolants [13.493198442811865]
  EquiJumpは移動可能なSO(3)-同変モデルで、全原子タンパク質の動力学シミュレーションの時間ステップを直接ブリッジする。 提案手法は様々なサンプリング手法を達成し,高速な折りたたみタンパク質の軌道データに基づく既存のモデルと比較した。
  論文  参考訳（メタデータ） (2024-10-12T23:22:49Z)
• 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)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。