論文の概要: Unlocking hidden biomolecular conformational landscapes in diffusion models at inference time

• arxiv url: http://arxiv.org/abs/2512.03312v1
• Date: Tue, 02 Dec 2025 23:52:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:04:54.875465
• Title: Unlocking hidden biomolecular conformational landscapes in diffusion models at inference time
• Title（参考訳）: 推論時の拡散モデルにおける隠れ生体分子配座風景のアンロック
• Authors: Daniel D. Richman, Jessica Karaguesian, Carl-Mikael Suomivuori, Ron O. Dror,
• Abstract要約: 本稿では、コンフォメーション分布のサンプリングを強化する推論時間アルゴリズムであるConforMixを提案する。 提案手法は拡散モデルを改良し,共形変数のより効率的な発見を可能にする。 生物学的に重要なタンパク質のケーススタディは、この方法のスケーラビリティ、精度、有用性を示している。
• 参考スコア（独自算出の注目度）: 0.828988908878327
• License:
• Abstract: The function of biomolecules such as proteins depends on their ability to interconvert between a wide range of structures or "conformations." Researchers have endeavored for decades to develop computational methods to predict the distribution of conformations, which is far harder to determine experimentally than a static folded structure. We present ConforMix, an inference-time algorithm that enhances sampling of conformational distributions using a combination of classifier guidance, filtering, and free energy estimation. Our approach upgrades diffusion models -- whether trained for static structure prediction or conformational generation -- to enable more efficient discovery of conformational variability without requiring prior knowledge of major degrees of freedom. ConforMix is orthogonal to improvements in model pretraining and would benefit even a hypothetical model that perfectly reproduced the Boltzmann distribution. Remarkably, when applied to a diffusion model trained for static structure prediction, ConforMix captures structural changes including domain motion, cryptic pocket flexibility, and transporter cycling, while avoiding unphysical states. Case studies of biologically critical proteins demonstrate the scalability, accuracy, and utility of this method.
• Abstract（参考訳）: タンパク質のような生体分子の機能は、幅広い構造や「コンフォーメーション」の間で相互変換する能力に依存する。 研究者は、静的な折り畳み構造よりも実験的に決定が難しいコンフォーメーションの分布を予測するための計算方法の開発に何十年も取り組んできた。 本稿では,分類器誘導,フィルタリング,自由エネルギー推定の組み合わせを用いて,共形分布のサンプリングを強化する推論時間アルゴリズムであるConforMixを提案する。 我々のアプローチは、静的構造予測やコンフォーメーション生成のために訓練された拡散モデルをアップグレードし、大きな自由度に関する事前の知識を必要とせず、より効率的なコンフォーメーション変数の発見を可能にします。 ConforMix はモデル事前学習の改善に直交し、ボルツマン分布を完全に再現した仮説モデルでさえも恩恵を受ける。 注目すべきは、静的構造予測のためにトレーニングされた拡散モデルに適用した場合、ConforMixは非物理的状態を避けながら、ドメインの動き、暗号ポケットの柔軟性、トランスポーターのサイクリングなどの構造変化をキャプチャする。 生物学的に重要なタンパク質のケーススタディは、この方法のスケーラビリティ、精度、有用性を示している。

関連論文リスト

• Diffusion models for multivariate subsurface generation and efficient probabilistic inversion [0.0]
  拡散モデルは、深い生成モデリングタスクのための安定したトレーニングと最先端のパフォーマンスを提供する。 本稿では拡散モデルに固有のノイズ汚染を考慮した近似法を提案する。 統計的ロバスト性は有意に向上し, 後部確率密度関数のサンプリングが向上した。
  論文  参考訳（メタデータ） (2025-07-21T17:10:16Z)
• Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
  本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
  論文  参考訳（メタデータ） (2025-06-20T16:38:29Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Learning conformational ensembles of proteins based on backbone geometry [1.1874952582465603]
  本稿では,背骨形状のみに基づくタンパク質コンホメーションをサンプリングするためのフローマッチングモデルを提案する。 結果として得られたモデルは、現在の最先端アプローチよりも桁違いに高速で、数日間でスクラッチからトレーニングできる。
  論文  参考訳（メタデータ） (2025-02-19T17:16:27Z)
• 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)
• Structure Preserving Diffusion Models [19.374406313635966]
  本稿では,構造保存拡散モデル(SPDM)に焦点を当てる。 拡散過程に影響を及ぼす幾何学的構造を考慮した新しい枠組みを提案する。 画像雑音の低減とスタイル伝達を実現する等変拡散ブリッジモデルを実装した。
  論文  参考訳（メタデータ） (2024-02-29T17:16:20Z)
• 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)
• EigenFold: Generative Protein Structure Prediction with Diffusion Models [10.24107243529341]
  EigenFoldは、特定のタンパク質配列から構造分布をサンプリングする拡散生成モデリングフレームワークである。 最近のCAMEOターゲットでは、EigenFoldは0.84の中央値TMSスコアを達成し、モデルの不確実性のより包括的な画像を提供する。
  論文  参考訳（メタデータ） (2023-04-05T02:46:13Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)

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。