論文の概要: Unified Biomolecular Trajectory Generation via Pretrained Variational Bridge

• arxiv url: http://arxiv.org/abs/2602.07588v1
• Date: Sat, 07 Feb 2026 15:32:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.709279
• Title: Unified Biomolecular Trajectory Generation via Pretrained Variational Bridge
• Title（参考訳）: 既定変分橋による統一分子軌道生成
• Authors: Ziyang Yu, Wenbing Huang, Yang Liu,
• Abstract要約: 本稿では,初期構造を雑音のある潜在空間にマッピングし,ステージ固有の目標に向けて輸送する,事前訓練変分橋(PVB)を提案する。 これにより、単一構造とペアの軌道データの両方のトレーニングを統一し、ドメイン間の構造的知識を一貫した使用を可能にする。 タンパク質とタンパク質-リガンド複合体の実験により、PVBはMDから熱力学的および運動論的観測物を忠実に再現し、安定かつ効率的な生成力学を提供することを示した。
• 参考スコア（独自算出の注目度）: 19.279397111680115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular Dynamics (MD) simulations provide a fundamental tool for characterizing molecular behavior at full atomic resolution, but their applicability is severely constrained by the computational cost. To address this, a surge of deep generative models has recently emerged to learn dynamics at coarsened timesteps for efficient trajectory generation, yet they either generalize poorly across systems or, due to limited molecular diversity of trajectory data, fail to fully exploit structural information to improve generative fidelity. Here, we present the Pretrained Variational Bridge (PVB) in an encoder-decoder fashion, which maps the initial structure into a noised latent space and transports it toward stage-specific targets through augmented bridge matching. This unifies training on both single-structure and paired trajectory data, enabling consistent use of cross-domain structural knowledge across training stages. Moreover, for protein-ligand complexes, we further introduce a reinforcement learning-based optimization via adjoint matching that speeds progression toward the holo state, which supports efficient post-optimization of docking poses. Experiments on proteins and protein-ligand complexes demonstrate that PVB faithfully reproduces thermodynamic and kinetic observables from MD while delivering stable and efficient generative dynamics.
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは、完全な原子分解能で分子の挙動を特徴づける基本的なツールを提供するが、その適用性は計算コストによって厳しく制約されている。 これを解決するために、近年、効率的な軌道生成のための粗い時間ステップでダイナミックスを学ぶために、深層生成モデルの急増が出現しているが、それらはシステム全体にわたって、あるいは、軌道データの分子的多様性が限られているため、生成の忠実性を改善するために構造情報を完全に活用することができない。 ここでは,初期構造を雑音付き潜在空間にマッピングし,拡張ブリッジマッチングによりステージ固有の目標に向けて輸送する,事前学習型変分橋(PVB)をエンコーダ・デコーダ方式で提示する。 これにより、単一構造とペアの軌道データの両方のトレーニングを統一し、トレーニング段階にわたってドメイン間の構造的知識を一貫した使用を可能にする。 さらに, タンパク質-リガンド複合体に対しては, ドッキングポーズの効率的な後最適化を支援するために, ホロ状態への進行を高速化するアジョイントマッチングによる強化学習に基づく最適化を導入する。 タンパク質とタンパク質-リガンド複合体の実験により、PVBはMDから熱力学的および運動論的観測物を忠実に再現し、安定かつ効率的な生成力学を提供することを示した。

関連論文リスト

• SaDiT: Efficient Protein Backbone Design via Latent Structural Tokenization and Diffusion Transformers [50.18388227899971]
  本稿では,SaProt TokenizationとDiffusion Transformer (DiT)アーキテクチャを統合することで,タンパク質のバックボーン生成を促進する新しいフレームワークであるSaDiTを提案する。 実験により、SaDiTはRFDiffusionやProteinaといった最先端モデルよりも計算速度と構造的生存性が優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-06T13:50:13Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  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。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
  ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。 本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
  論文  参考訳（メタデータ） (2025-06-01T20:32:27Z)
• Aligning Protein Conformation Ensemble Generation with Physical Feedback [29.730515284798397]
  エネルギーベースアライメント(EBA、Energy-based Alignment)は、生成モデルと物理モデルからのフィードバックを整合させる手法である。 EBAは、高品質なタンパク質アンサンブルを生成する際に最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-30T04:33:39Z)
• Simultaneous Modeling of Protein Conformation and Dynamics via Autoregression [45.49904590474368]
  ConfRoverは自己回帰モデルであり、MD軌道からタンパク質のコンホメーションとダイナミクスを同時に学習する。 時間に依存しないサンプリングと時間に依存しないサンプリングの両方をサポートする。 大規模タンパク質MDデータセットであるATLASの実験は、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2025-05-23T05:00:15Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• 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)
• The Latent Road to Atoms: Backmapping Coarse-grained Protein Structures with Latent Diffusion [19.85659309869674]
  潜伏拡散バックマッピング(LDB)は、これらの課題に対処するために潜伏空間内での拡散をデノナイズする新しいアプローチである。 3つの異なるタンパク質データセット上でLDBの最先端性能を評価する。 計算生物学におけるCGシミュレーションと原子レベル解析のギャップを効果的に埋め、LDBをバックマッピングのための強力でスケーラブルなアプローチとして位置づけた。
  論文  参考訳（メタデータ） (2024-10-17T06:38:07Z)
• EquiJump: Protein Dynamics Simulation via SO(3)-Equivariant Stochastic Interpolants [13.493198442811865]
  EquiJumpは移動可能なSO(3)-同変モデルで、全原子タンパク質の動力学シミュレーションの時間ステップを直接ブリッジする。 提案手法は様々なサンプリング手法を達成し,高速な折りたたみタンパク質の軌道データに基づく既存のモデルと比較した。
  論文  参考訳（メタデータ） (2024-10-12T23:22:49Z)

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。