論文の概要: Hierarchical geometric deep learning enables scalable analysis of molecular dynamics

• arxiv url: http://arxiv.org/abs/2512.06520v1
• Date: Sat, 06 Dec 2025 18:17:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.39133
• Title: Hierarchical geometric deep learning enables scalable analysis of molecular dynamics
• Title（参考訳）: 階層的幾何学的深層学習は分子動力学のスケーラブルな解析を可能にする
• Authors: Zihan Pengmei, Spencer C. Guo, Chatipat Lorpaiboon, Aaron R. Dinner,
• Abstract要約: ローカル情報を集約することで、アトミックな詳細を犠牲にすることなく、メモリとランタイムの要求を削減できることを示す。 このアプローチは、単一のGPU上で数千の残基を持つタンパク質-核酸複合体のシミュレーションを数分で解析する扉を開くことを実証する。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular dynamics simulations can generate atomically detailed trajectories of complex systems, but analyzing these dynamics can be challenging when systems lack well-established quantitative descriptors (features). Graph neural networks (GNNs) in which messages are passed between nodes that represent atoms that are spatial neighbors promise to obviate manual feature engineering, but the use of GNNs with biomolecular systems of more than a few hundred residues has been limited in the context of analyzing dynamics by both difficulties in capturing the details of long-range interactions with message passing and the memory and runtime requirements associated with large graphs. Here, we show how local information can be aggregated to reduce memory and runtime requirements without sacrificing atomic detail. We demonstrate that this approach opens the door to analyzing simulations of protein-nucleic acid complexes with thousands of residues on single GPUs within minutes. For systems with hundreds of residues, for which there are sufficient data to make quantitative comparisons, we show that the approach improves performance and interpretability.
• Abstract（参考訳）: 分子動力学シミュレーションは複雑な系の原子的に詳細な軌道を生成することができるが、十分に確立された量的記述子(機能)が欠如している場合、これらの力学を解析することは困難である。 グラフニューラルネットワーク(GNN)では、空間的隣人である原子間でメッセージが渡されるため、手動の特徴工学を阻害することが約束されているが、数百以上の残基を持つ生体分子系を用いたGNNの使用は、メッセージパッシングによる長距離インタラクションの詳細と、大きなグラフに関連するメモリとランタイム要件の取得の困難さの両方によって、動的解析のコンテキストにおいて制限されている。 ここでは、原子の詳細を犠牲にすることなく、ローカル情報を集約してメモリとランタイムの要求を減らす方法を示す。 このアプローチは、単一のGPU上で数千の残基を持つタンパク質-核酸複合体のシミュレーションを数分で解析する扉を開くことを実証する。 定量的比較を行うのに十分なデータを持つ数百の残基を持つシステムに対しては,本手法が性能と解釈可能性を向上させることを示す。

関連論文リスト

• Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics [71.53370807809296]
  最近のグラフニューラルシミュレータ(GNS)は、グラフ構造化データ上での動的学習によりシミュレーションを加速する。 ハミルトン力学の原理に基づいて構築されたグラフベースニューラルネットワークであるIGNS(Information-serving Graph Neural Simulator)を提案する。 IGNSは最先端のGNSを一貫して上回り、挑戦的で複雑な力学系の下で高い精度と安定性を達成する。
  論文  参考訳（メタデータ） (2025-11-11T12:53:56Z)
• GraphSeqLM: A Unified Graph Language Framework for Omic Graph Learning [20.906136206438102]
  Graph Neural Networks (GNN)は、大規模シグナル伝達経路とタンパク質-タンパク質相互作用ネットワークを解析するための堅牢なフレームワークを提供する。 生物シークエンスを組み込んだGNNを強化するフレームワークであるグラフシーケンス言語モデル(GraphSeqLM)を提案する。
  論文  参考訳（メタデータ） (2024-12-20T11:05:26Z)
• Using pretrained graph neural networks with token mixers as geometric featurizers for conformational dynamics [0.0]
  我々はGeom2vecを導入し、トレーニング済みグラフニューラルネットワーク(GNN)を普遍的な幾何演算器として利用する。 学習したGNN表現は,表現型トークンミキサーと組み合わせることで,構造単位(トークン)間の解釈可能な関係を捉えることができることを示す。
  論文  参考訳（メタデータ） (2024-09-30T00:36:06Z)
• Graph Neural Network-State Predictive Information Bottleneck (GNN-SPIB) approach for learning molecular thermodynamics and kinetics [0.0]
  本稿では,グラフニューラルネットワークと State Predictive Information Bottleneck を組み合わせた Graph Neural Network-State Predictive Information Bottleneck (GNN-SPIB) フレームワークを提案する。 提案手法は3つのベンチマークシステムで検証され, 速度の遅いプロセスにおいて, 本質的な構造, 熱力学, 運動学的な情報を予測する。 この手法は複雑なシステムに対して有望であり、事前に定義された反応座標や入力特徴を必要としない効果的なサンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-09-18T09:53:13Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks [0.0]
  機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。 サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
  論文  参考訳（メタデータ） (2022-01-02T23:00:30Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。