論文の概要: Multi-Scale Protein Structure Modelling with Geometric Graph U-Nets

• arxiv url: http://arxiv.org/abs/2512.06752v1
• Date: Sun, 07 Dec 2025 09:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.508736
• Title: Multi-Scale Protein Structure Modelling with Geometric Graph U-Nets
• Title（参考訳）: 幾何学グラフU-Netを用いたマルチスケールタンパク質構造モデリング
• Authors: Chang Liu, Vivian Li, Linus Leong, Vladimir Radenkovic, Pietro Liò, Chaitanya K. Joshi,
• Abstract要約: Geometric Graph U-Netsは、タンパク質グラフの粗大化と精細化により、マルチスケール表現を学習する新しいモデルのクラスである。 実証的に、タンパク質の折りたたみ分類のタスクにおいて、幾何学的U-ネットは不変および同変基底線を著しく上回る。 我々の研究は、生体分子のマルチスケール構造を学習できる幾何学的深層学習アーキテクチャを設計するための原則的な基盤を提供する。
• 参考スコア（独自算出の注目度）: 14.029627997968467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometric Graph Neural Networks (GNNs) and Transformers have become state-of-the-art for learning from 3D protein structures. However, their reliance on message passing prevents them from capturing the hierarchical interactions that govern protein function, such as global domains and long-range allosteric regulation. In this work, we argue that the network architecture itself should mirror this biological hierarchy. We introduce Geometric Graph U-Nets, a new class of models that learn multi-scale representations by recursively coarsening and refining the protein graph. We prove that this hierarchical design can theoretically more expressive than standard Geometric GNNs. Empirically, on the task of protein fold classification, Geometric U-Nets substantially outperform invariant and equivariant baselines, demonstrating their ability to learn the global structural patterns that define protein folds. Our work provides a principled foundation for designing geometric deep learning architectures that can learn the multi-scale structure of biomolecules.
• Abstract（参考訳）: Geometric Graph Neural Networks(GNN)とTransformersは、3Dタンパク質構造から学ぶための最先端技術となっている。 しかし、メッセージパッシングへの依存は、グローバルドメインや長距離アロステリックレギュレーションのようなタンパク質機能を管理する階層的な相互作用を捉えることを妨げている。 この研究では、ネットワークアーキテクチャ自体がこの生物学的階層を反映すべきである、と論じる。 Geometric Graph U-Netsは,タンパク質グラフを再帰的に粗くすることで,マルチスケール表現を学習する新しいモデルのクラスである。 我々は,この階層設計が標準的な幾何学的GNNよりも理論的に表現可能であることを証明した。 実証的には、タンパク質の折りたたみ分類のタスクにおいて、幾何学的U-ネットは不変性と同変のベースラインを大幅に上回っており、タンパク質の折りたたみを定義するグローバルな構造パターンを学ぶ能力を示している。 我々の研究は、生体分子のマルチスケール構造を学習できる幾何学的深層学習アーキテクチャを設計するための原則的な基盤を提供する。

関連論文リスト

• The Neural Differential Manifold: An Architecture with Explicit Geometric Structure [8.201374511929538]
  本稿では,その基本設計に幾何学的構造を明示的に組み込んだニューラルネットワークアーキテクチャであるニューラル微分マニフォールド(NDM)を紹介する。 我々は、より効率的な最適化の可能性、継続学習の強化、科学的発見と制御可能な生成モデルへの応用など、このアプローチの理論的利点を分析する。
  論文  参考訳（メタデータ） (2025-10-29T02:24:27Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Integration of Pre-trained Protein Language Models into Geometric Deep Learning Networks [68.90692290665648]
  我々は、タンパク質言語モデルから学んだ知識を、いくつかの最先端の幾何学的ネットワークに統合する。 以上の結果から,ベースラインを20%上回る総合的な改善が見られた。 強い証拠は、タンパク質言語モデルの知識を取り入れることで、幾何学的ネットワークの能力が著しく向上することを示している。
  論文  参考訳（メタデータ） (2022-12-07T04:04:04Z)
• Orientation-Aware Graph Neural Networks for Protein Structure Representation Learning [29.366321002562373]
  タンパク質構造の幾何学的特性をよりよく把握するために,オリエンテーション対応グラフニューラルネットワーク(OAGNN)を提案する。 スカラーから3次元ベクトルへの1つの重みを拡張し、幾何学的に意味のある演算のリッチなセットを構築する。 実験により、OAGNNは古典的ネットワークと比較して幾何方向の特徴を感知する優れた能力を持っていることが示された。
  論文  参考訳（メタデータ） (2022-01-28T13:41:56Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
  本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。 本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:52:48Z)
• Learning from Protein Structure with Geometric Vector Perceptrons [6.5360079597553025]
  幾何学的ベクトルパーセプトロンを導入し、標準密度層を拡張してユークリッドベクトルの集合を演算する。 本稿では,タンパク質構造から学習する際の2つの重要な問題として,モデル品質評価と計算タンパク質設計について述べる。
  論文  参考訳（メタデータ） (2020-09-03T01:54:25Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。