論文の概要: PIS: A Physics-Informed System for Accurate State Partitioning of $Aβ_{42}$ Protein Trajectories

• arxiv url: http://arxiv.org/abs/2602.19444v1
• Date: Mon, 23 Feb 2026 02:27:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.649008
• Title: PIS: A Physics-Informed System for Accurate State Partitioning of $Aβ_{42}$ Protein Trajectories
• Title（参考訳）: PIS:$Aβ_{42}$タンパク質軌道の正確な状態分割のための物理インフォームドシステム
• Authors: Qianfeng Yu, Ningkang Peng, Yanhui Gu,
• Abstract要約: 我々は、堅牢な準安定状態分割のために設計された物理インフォームドシステムであるPISを紹介する。 我々のモデルは、$A_42$データセット上で優れた性能を達成する。 PISは、物理特性の動的監視と多次元結果検証を特徴とするインタラクティブなプラットフォームを提供する。
• 参考スコア（独自算出の注目度）: 3.7874902461360627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the conformational evolution of $β$-amyloid ($Aβ$), particularly the $Aβ_{42}$ isoform, is fundamental to elucidating the pathogenic mechanisms underlying Alzheimer's disease. However, existing end-to-end deep learning models often struggle to capture subtle state transitions in protein trajectories due to a lack of explicit physical constraints. In this work, we introduce PIS, a Physics-Informed System designed for robust metastable state partitioning. By integrating pre-computed physical priors, such as the radius of gyration and solvent-accessible surface area, into the extraction of topological features, our model achieves superior performance on the $Aβ_{42}$ dataset. Furthermore, PIS provides an interactive platform that features dynamic monitoring of physical characteristics and multi-dimensional result validation. This system offers biological researchers a powerful set of analytical tools with physically grounded interpretability. A demonstration video of PIS is available on https://youtu.be/AJHGzUtRCg0.
• Abstract（参考訳）: Aβ$-アミロイド(Aβ$)、特にAβ_{42}$アイソフォームのコンフォメーション進化を理解することは、アルツハイマー病の根底にある病原的なメカニズムを解明するための基礎となる。 しかし、既存のエンドツーエンドのディープラーニングモデルは、明示的な物理的制約が欠如しているため、タンパク質軌道の微妙な状態遷移を捉えるのに苦労することが多い。 本研究では,ロバストな準安定状態分割のための物理インフォームドシステムであるPISを紹介する。 ジャイレーション半径や溶媒可溶性表面積といった計算済みの物理前駆体をトポロジカルな特徴の抽出に組み込むことで,Aβ_{42}$データセット上で優れた性能が得られる。 さらに、PISは、物理特性の動的監視と多次元結果検証を特徴とするインタラクティブなプラットフォームを提供する。 このシステムは、生物学的研究者に、物理的に接地された解釈可能性を持つ強力な分析ツールセットを提供する。 PISのデモビデオはhttps://youtu.be/AJHGzUtRCg0.comで公開されている。

関連論文リスト

• Uncertainty-Aware Diagnostics for Physics-Informed Machine Learning [7.677300807530908]
  物理インフォームド機械学習(PIML)は、しばしば微分方程式制約の形で、物理データにモデルを適合させるプロセスに統合する。 PIMLモデルの品質を測定するため,PILEスコア(Physical-Informed Log Evidence)を導入する。 PILEは、カーネル帯域幅、最小二乗正規化重み、カーネル関数の選択など、様々なモデルパラメータに対して優れた選択を得られることを示す。
  論文  参考訳（メタデータ） (2025-10-30T04:05:49Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• EnviroPiNet: A Physics-Guided AI Model for Predicting Biofilter Performance [0.9895793818721335]
  本稿では,Buckingham Pi理論のバイオフィルタ性能のモデル化への応用について述べる。 この次元削減技術は、予測精度を高める意味のある無次元変数を識別する。 本研究では,従来のデータ駆動方式と比較した物理誘導モデルであるEnviroPiNetを開発した。
  論文  参考訳（メタデータ） (2025-04-24T13:52:51Z)
• PETIMOT: A Novel Framework for Inferring Protein Motions from Sparse Data Using SE(3)-Equivariant Graph Neural Networks [1.2289361708127877]
  本稿では, スパース実験から推定されるタンパク質の運動の連続的コンパクト表現を目標として, この問題に対する新たな視点を示す。 PETIMOT (Protein sEquence and sTructure-based Inference of MOTions) は,SE(3)-equivariant graph Neural Networkを用いて,事前学習したタンパク質言語モデルからの伝達学習を利用する。 PETIMOTは、Protein Data Bankでトレーニングされ評価されると、最先端のフローマッチングアプローチや従来の物理モデルと比較して、時間と正確性において優れたパフォーマンスを示し、タンパク質のダイナミクス、特に大きな/遅いコンフォメーション変化を捉えている。
  論文  参考訳（メタデータ） (2025-03-19T09:25:32Z)
• PhyMPGN: Physics-encoded Message Passing Graph Network for spatiotemporal PDE systems [31.006807854698376]
  我々は物理符号化されたメッセージパッシンググラフネットワーク(PhyMPGN)という新しいグラフ学習手法を提案する。 我々は,GNNを数値積分器に組み込んで,与えられたPDEシステムに対する時間的時間的ダイナミクスの時間的行進を近似する。 PhyMPGNは、粗い非構造メッシュ上での様々なタイプの時間的ダイナミクスを正確に予測することができる。
  論文  参考訳（メタデータ） (2024-10-02T08:54:18Z)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• 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。