論文の概要: Full Atom Peptide Design via Riemannian Euclidean Bayesian Flow Networks

• arxiv url: http://arxiv.org/abs/2511.14516v1
• Date: Tue, 18 Nov 2025 14:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.148585
• Title: Full Atom Peptide Design via Riemannian Euclidean Bayesian Flow Networks
• Title（参考訳）: Riemannian Euclidean Bayesian Flow Networkによる完全な原子ペプチド設計
• Authors: Hao Qian, Shikui Tu, Lei Xu,
• Abstract要約: PepBFNは完全な原子ペプチド設計のための最初のベイズ流ネットワークであり、完全な連続空間におけるパラメータ分布を直接モデル化する。 具体的には、PepBFNは連続したパラメータ分布を学習することで離散残留型をモデル化し、共同および滑らかなベイズ更新を可能にする。 サイドチェーンパッキング、逆折り畳み、バインダー設計タスクの実験は、計算ペプチド設計におけるPepBFNの強いポテンシャルを示している。
• 参考スコア（独自算出の注目度）: 16.11525464623603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion and flow matching models have recently emerged as promising approaches for peptide binder design. Despite their progress, these models still face two major challenges. First, categorical sampling of discrete residue types collapses their continuous parameters into onehot assignments, while continuous variables (e.g., atom positions) evolve smoothly throughout the generation process. This mismatch disrupts the update dynamics and results in suboptimal performance. Second, current models assume unimodal distributions for side-chain torsion angles, which conflicts with the inherently multimodal nature of side chain rotameric states and limits prediction accuracy. To address these limitations, we introduce PepBFN, the first Bayesian flow network for full atom peptide design that directly models parameter distributions in fully continuous space. Specifically, PepBFN models discrete residue types by learning their continuous parameter distributions, enabling joint and smooth Bayesian updates with other continuous structural parameters. It further employs a novel Gaussian mixture based Bayesian flow to capture the multimodal side chain rotameric states and a Matrix Fisher based Riemannian flow to directly model residue orientations on the $\mathrm{SO}(3)$ manifold. Together, these parameter distributions are progressively refined via Bayesian updates, yielding smooth and coherent peptide generation. Experiments on side chain packing, reverse folding, and binder design tasks demonstrate the strong potential of PepBFN in computational peptide design.
• Abstract（参考訳）: 拡散およびフローマッチングモデルは近年,ペプチドバインダーの設計において有望なアプローチとして出現している。 彼らの進歩にもかかわらず、これらのモデルは依然として2つの大きな課題に直面している。 第一に、離散残基型の分類学的サンプリングは、連続変数(例えば原子の位置)が生成過程を通して滑らかに進化するのに対して、連続パラメータを1ホットの割り当てに分解する。 このミスマッチは更新のダイナミクスを乱し、最適以下のパフォーマンスをもたらす。 第二に、現在のモデルでは、サイドチェイン・トーション角に対する一様分布を仮定しており、これはサイドチェイン・ロータマー状態の本質的にマルチモーダルな性質と矛盾し、予測精度を制限している。 これらの制約に対処するために、完全連続空間におけるパラメータ分布を直接モデル化するフル原子ペプチド設計のための最初のベイズ流ネットワークであるPepBFNを導入する。 具体的には、PepBFNは、それぞれの連続パラメータ分布を学習して離散残留型をモデル化し、他の連続的パラメータとの結合および滑らかなベイズ更新を可能にする。 さらに、新しいガウス混合に基づくベイズ流を用いて、マルチモーダル側鎖のロータマー状態と行列フィッシャーに基づくリーマン流を捕捉し、$\mathrm{SO}(3)$多様体上の剰余方向を直接モデル化する。 これらのパラメータ分布はベイズ更新によって徐々に洗練され、スムーズかつコヒーレントなペプチド生成をもたらす。 サイドチェーンパッキング、逆折り畳み、バインダー設計タスクの実験は、計算ペプチド設計におけるPepBFNの強いポテンシャルを示している。

関連論文リスト

• On the flow matching interpretability [2.816392009888047]
  本稿では,既知の物理分布から各フローステップを抽出するフレームワークを提案する。 流れの軌跡は、シミュレートされた物理過程の平衡状態にマッピングされる(そしてトラバースに制約される)。 このことは、生成フローに物理的意味論を埋め込むことで、神経軌跡を解釈可能な物理過程に変換することを示している。
  論文  参考訳（メタデータ） (2025-10-24T07:26:45Z)
• Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
  Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。 1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。 特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
  論文  参考訳（メタデータ） (2025-02-25T18:59:13Z)
• Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
  本研究では、円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。 本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows [4.489135297410294]
  不規則な時系列における目標の連立分布の確率論的予測モデルは、機械学習においてあまり研究されていない分野である。 MOSES(Marginalization Consistent Mixture of Separable Flows)は,複数の潜伏ガウス過程と分離可能なユニ-正規性フローの混合をパラメタライズするモデルである。 4つのデータセットの実験では、MOSESは正確な結合予測と限界予測の両方を達成し、他の余分化の基線を全て上回り、ProFITiをわずかに下回っただけで、余分分布の予測では圧倒的に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-06-11T13:28:43Z)
• Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
  本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。 サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。 パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
  論文  参考訳（メタデータ） (2023-05-30T19:16:44Z)
• Can Push-forward Generative Models Fit Multimodal Distributions? [3.8615905456206256]
  生成ネットワークのリプシッツ定数はマルチモーダル分布に適合するために大きくなければならないことを示す。 本研究では,1次元および画像のデータセットを用いて,各ステップで入力されたスタックネットワークからなる生成モデルがそのような制約を負わないことを実証的に検証した。
  論文  参考訳（メタデータ） (2022-06-29T09:03:30Z)

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。