論文の概要: Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics
- arxiv url: http://arxiv.org/abs/2602.02128v2
- Date: Wed, 11 Feb 2026 16:42:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 17:18:12.041573
- Title: Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics
- Title（参考訳）: 長期タンパク質ダイナミクスのためのスケーラブルな時空間SE(3)拡散
- Authors: Nima Shoghi, Yuxuan Liu, Yuning Shen, Rob Brekelmans, Pan Li, Quanquan Gu,
- Abstract要約: 分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。
近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。
物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
- 参考スコア（独自算出の注目度）: 51.85385061275941
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Molecular dynamics (MD) simulations remain the gold standard for studying protein dynamics, but their computational cost limits access to biologically relevant timescales. Recent generative models have shown promise in accelerating simulations, yet they struggle with long-horizon generation due to architectural constraints, error accumulation, and inadequate modeling of spatio-temporal dynamics. We present STAR-MD (Spatio-Temporal Autoregressive Rollout for Molecular Dynamics), a scalable SE(3)-equivariant diffusion model that generates physically plausible protein trajectories over microsecond timescales. Our key innovation is a causal diffusion transformer with joint spatio-temporal attention that efficiently captures complex space-time dependencies while avoiding the memory bottlenecks of existing methods. On the standard ATLAS benchmark, STAR-MD achieves state-of-the-art performance across all metrics--substantially improving conformational coverage, structural validity, and dynamic fidelity compared to previous methods. STAR-MD successfully extrapolates to generate stable microsecond-scale trajectories where baseline methods fail catastrophically, maintaining high structural quality throughout the extended rollout. Our comprehensive evaluation reveals severe limitations in current models for long-horizon generation, while demonstrating that STAR-MD's joint spatio-temporal modeling enables robust dynamics simulation at biologically relevant timescales, paving the way for accelerated exploration of protein function.
- Abstract（参考訳）: 分子動力学(MD)シミュレーションは、タンパク質力学の研究における金の標準であり続けているが、その計算コストは生物学的に関連する時間スケールへのアクセスを制限する。
最近の生成モデルではシミュレーションの加速が期待されているが、アーキテクチャ上の制約やエラーの蓄積、時空間力学の不十分なモデリングなどにより、長い水平生成に苦慮している。
分子動力学のための時空間自己回帰ロールアウト (STAR-MD) は, 物理的に可塑性なタンパク質軌道をマイクロ秒の時間スケールで生成する, スケーラブルなSE(3)同変拡散モデルである。
我々の重要な革新は、既存の手法のメモリボトルネックを回避しつつ、複雑な時空間依存を効率的にキャプチャする、共同時空間的注意を伴う因果拡散変換器である。
標準ATLASベンチマークでは、STAR-MDは、従来の手法と比較して、コンフォメーションカバレッジ、構造的妥当性、動的忠実性を大幅に改善する。
STAR-MDは、安定なマイクロ秒スケールの軌道を生成するために外挿に成功し、ベースライン法は破滅的に失敗し、延長されたロールアウトを通して高い構造的品質を維持した。
また,STAR-MDの結合時空間モデリングにより,生物学的に関連する時間スケールでのロバストな動的シミュレーションが可能であり,タンパク質機能の探索を早めることができることを示した。
関連論文リスト
- TriC-Motion: Tri-Domain Causal Modeling Grounded Text-to-Motion Generation [61.94780858309546]
Tri-Domain Causal Text-to-Motion Generation (TriC-Motion)は、空間ドメインモデリングと因果介入を統合した新しい拡散ベースのフレームワークである。
TriC-Motionは、HumanML3Dデータセット上で0.612の優れたR@1を達成することによって、最先端の手法よりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-09T10:12:13Z) - M-STAR: Multi-Scale Spatiotemporal Autoregression for Human Mobility Modeling [16.41018877188885]
本研究では,多段階時空間自動回帰(M-STAR)を提案する。
M-STARは、モビリティパターンをエンコードするマルチスケール時空間トケナイザと、トランスフォーマーベースのデコーダを組み合わせて、次のスケールの自己回帰予測を行う。
論文 参考訳（メタデータ） (2025-12-08T08:57:55Z) - RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。
従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。
実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-10-16T17:59:13Z) - SAMPO:Scale-wise Autoregression with Motion PrOmpt for generative world models [42.814012901180774]
textbfSAMPOは、フレーム内生成のための視覚的自己回帰モデリングと、次のフレーム生成のための因果モデリングを組み合わせたハイブリッドフレームワークである。
動作条件付きビデオ予測とモデルベース制御において,SAMPOが競合性能を発揮することを示す。
また、SAMPOのゼロショット一般化とスケーリング挙動を評価し、未知のタスクに一般化する能力を示す。
論文 参考訳（メタデータ） (2025-09-19T02:41:37Z) - Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [4.5211402678313135]
LD-FPGの学習潜在空間内でのダイナミクスをシミュレーションするモジュールコンポーネントであるGraph Latent Dynamics Propagator (GLDP)を紹介する。
我々は,スコア誘導ランゲヴィン力学,(ii)クープマンに基づく線形作用素,(iii)自己回帰ニューラルネットワークの3種類のプロパゲータを比較した。
統合エンコーダ・プロパゲータ・デコーダ・フレームワーク内では、長い水平安定性、バックボーンとサイドチェーンのアンサンブルの忠実さ、機能的自由エネルギーの景観を評価する。
論文 参考訳（メタデータ） (2025-09-02T11:09:06Z) - Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。
我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2025-05-17T23:15:17Z) - Generating Full-field Evolution of Physical Dynamics from Irregular Sparse Observations [26.873329262722024]
不規則なスパース観測から物理力学のフルフィールド進化を生成する新しいフレームワークである関数タッカー空間における逐次拡散について述べる。
本研究では, 復元精度と計算効率の両面で, 最先端の手法と比較して有意な改善が認められた。
論文 参考訳（メタデータ） (2025-05-14T11:09:15Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。
本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-02-18T05:35:01Z) - Molecular Latent Space Simulators [8.274472944075713]
本研究では、連続的な全原子シミュレーション軌道の運動モデルを学ぶための潜在空間シミュレータ(LSS)を提案する。
Trpタンパク質を応用して, 新規な超長尺合成折りたたみ路を創出する手法を実証する。
論文 参考訳（メタデータ） (2020-07-01T20:05:27Z)
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。