論文の概要: Minimal-Action Discrete Schrödinger Bridge Matching for Peptide Sequence Design

• arxiv url: http://arxiv.org/abs/2601.22408v1
• Date: Thu, 29 Jan 2026 23:38:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.12285
• Title: Minimal-Action Discrete Schrödinger Bridge Matching for Peptide Sequence Design
• Title（参考訳）: ペプチド配列設計のための最小摩擦離散シュレーディンガーブリッジマッチング
• Authors: Shrey Goel, Pranam Chatterjee,
• Abstract要約: 我々は、ペプチド設計のためのレートベース生成フレームワークとして、ミニマルアクション離散型Schrdinger Bridge Matching (MadSBM)を導入した。 MadSBMはアミノ酸編集グラフ上での連続的マルコフ過程の制御として生成を定式化する。 我々は,MadSBMサンプリングの特定の目的に向けてのガイダンスを導入し,治療ペプチドの設計空間を拡大した。
• 参考スコア（独自算出の注目度）: 1.063850381314547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modeling of peptide sequences requires navigating a discrete and highly constrained space in which many intermediate states are chemically implausible or unstable. Existing discrete diffusion and flow-based methods rely on reversing fixed corruption processes or following prescribed probability paths, which can force generation through low-likelihood regions and require countless sampling steps. We introduce Minimal-action discrete Schrödinger Bridge Matching (MadSBM), a rate-based generative framework for peptide design that formulates generation as a controlled continuous-time Markov process on the amino-acid edit graph. To yield probability trajectories that remain near high-likelihood sequence neighborhoods throughout generation, MadSBM 1) defines generation relative to a biologically informed reference process derived from pre-trained protein language model logits and 2) learns a time-dependent control field that biases transition rates to produce low-action transport paths from a masked prior to the data distribution. We finally introduce guidance to the MadSBM sampling procedure towards a specific functional objective, expanding the design space of therapeutic peptides; to our knowledge, this represents the first-ever application of discrete classifier guidance to Schrödinger bridge-based generative models.
• Abstract（参考訳）: ペプチド配列の生成的モデリングには、多くの中間状態が化学的に不溶か不安定である離散的かつ高度に制約された空間をナビゲートする必要がある。 既存の離散拡散法とフローベース法は、固定された汚職過程の逆転、あるいは所定の確率経路に従うことに依存しており、これは低濃度領域を通じて生成を強制し、無数のサンプリングステップを必要とする。 アミノ酸編集グラフ上で生成を制御した連続時間マルコフ過程として定式化するペプチド設計のためのレートベース生成フレームワークである最小作用離散シュレーディンガーブリッジマッチング(MadSBM)を導入する。 世代ごとの高次配列近傍に残る確率軌道、MadSBM 1)事前訓練されたタンパク質言語モデルロジットから得られた生物学的に情報を得た参照プロセスに対する生成を定義する。 2)データ配信前のマスクから遷移速度を偏り、低アクション輸送経路を生成する時間依存制御場を学習する。 我々は最終的にMadSBMサンプリング手順の特定の機能的目的へのガイダンスを導入し、治療ペプチドの設計空間を拡大する。

関連論文リスト

• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• Effective Test-Time Scaling of Discrete Diffusion through Iterative Refinement [51.54933696252104]
  離散拡散に適した新しいテスト時間スケーリング手法であるイテレーティブ・リワードガイドリファインメント(IterRef)を導入する。 我々は、このプロセスをMultiple-Try Metropolisフレームワークで形式化し、報酬整合分布への収束を証明した。 IterRefは計算予算の低さで大幅に上昇し、最先端のベースラインをはるかに超えている。
  論文  参考訳（メタデータ） (2025-11-04T02:33:23Z)
• Discrete Guidance Matching: Exact Guidance for Discrete Flow Matching [36.348940136801296]
  この問題に対処するために、離散データのための新しいガイダンスフレームワークを提案する。 学習した離散フローマッチングモデルにより、所望の分布の正確な遷移率を導出する。 本稿では,エネルギー誘導型シミュレーションと嗜好アライメントによるテキスト・ツー・イメージ生成とマルチモーダル理解タスクの有効性を示す。
  論文  参考訳（メタデータ） (2025-09-26T05:51:31Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Diffusion Bridge Mixture Transports, Schr\"odinger Bridge Problems and Generative Modeling [4.831663144935879]
  本稿では, 動的シュリンガー橋問題の解法を目的とした, サンプリング型反復型拡散橋混合法 (IDBM) を提案する。 IDBM手順は、各イテレーションにおける目標確率測度間の有効な輸送を実現するという魅力的な性質を示す。
  論文  参考訳（メタデータ） (2023-04-03T12:13:42Z)
• Matching Normalizing Flows and Probability Paths on Manifolds [57.95251557443005]
  連続正規化フロー (Continuous Normalizing Flows, CNFs) は、常微分方程式(ODE)を解くことによって、先行分布をモデル分布に変換する生成モデルである。 我々は,CNFが生成する確率密度パスと目標確率密度パスとの間に生じる新たな分岐系であるPPDを最小化して,CNFを訓練することを提案する。 PPDの最小化によって得られたCNFは、既存の低次元多様体のベンチマークにおいて、その可能性とサンプル品質が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-11T08:50:19Z)
• Stochastic Optimal Control for Collective Variable Free Sampling of Molecular Transition Paths [60.254555533113674]
  分子系の2つの準安定状態間の遷移経路をサンプリングする問題を考察する。 本稿では,その遷移をサンプリングする機械学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-27T14:01:06Z)

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。