論文の概要: Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics

• arxiv url: http://arxiv.org/abs/2603.17633v1
• Date: Wed, 18 Mar 2026 11:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.678538
• Title: Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics
• Title（参考訳）: 生体分子動力学のための状態空間モデルを用いた原子軌道モデリング
• Authors: Liang Shi, Jiarui Lu, Junqi Liu, Chence Shi, Zhi Yang, Jian Tang,
• Abstract要約: ATMOSは、生体分子系のための原子レベルのMD軌道を生成するために設計された新しい生成フレームワークである。 ATMOSは, タンパク質モノマーと複雑なタンパク質-リガンド系の両方に対して, コンフォメーショントラジェクトリを生成する際に, 最先端の性能を実現することを実証した。
• 参考スコア（独自算出の注目度）: 23.265257394398102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the dynamic behavior of biomolecules is fundamental to elucidating biological function and facilitating drug discovery. While Molecular Dynamics (MD) simulations provide a rigorous physical basis for studying these dynamics, they remain computationally expensive for long timescales. Conversely, recent deep generative models accelerate conformation generation but are typically either failing to model temporal relationship or built only for monomeric proteins. To bridge this gap, we introduce ATMOS, a novel generative framework based on State Space Models (SSM) designed to generate atom-level MD trajectories for biomolecular systems. ATMOS integrates a Pairformer-based state transition mechanism to capture long-range temporal dependencies, with a diffusion-based module to decode trajectory frames in an autoregressive manner. ATMOS is trained across crystal structures from PDB and conformation trajectory from large-scale MD simulation datasets including mdCATH and MISATO. We demonstrate that ATMOS achieves state-of-the-art performance in generating conformation trajectories for both protein monomers and complex protein-ligand systems. By enabling efficient inference of atomic trajectory of motions, this work establishes a promising foundation for modeling biomolecular dynamics.
• Abstract（参考訳）: 生体分子の動的挙動を理解することは、生物学的機能の解明と薬物発見の促進に不可欠である。 分子動力学(MD)シミュレーションは、これらの力学を研究するための厳密な物理的基盤を提供するが、長い時間スケールで計算的に高価である。 逆に、最近の深層生成モデルはコンフォメーション生成を加速するが、典型的には時間的関係をモデル化しなかったり、単量体タンパク質のみのために構築されたりする。 このギャップを埋めるために,生物分子系のための原子レベルのMD軌道を生成するために設計されたステートスペースモデル(SSM)に基づく新しい生成フレームワークATMOSを紹介する。 ATMOSは、Pairformerベースの状態遷移機構を統合して、長距離の時間的依存関係をキャプチャし、拡散ベースのモジュールを使って、トラジェクティブフレームを自動回帰的にデコードする。 ATMOSはPDBからの結晶構造とmdCATHやMISATOなどの大規模MDシミュレーションデータセットからのコンフォメーション軌道を訓練する。 ATMOSは, タンパク質モノマーと複雑なタンパク質-リガンド系の両方に対して, コンフォメーショントラジェクトリを生成する際に, 最先端の性能を実現することを実証した。 運動の原子軌道の効率的な推定を可能にすることにより、この研究は生体分子動力学をモデル化するための有望な基礎を確立する。

関連論文リスト

• Unified Biomolecular Trajectory Generation via Pretrained Variational Bridge [19.279397111680115]
  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。
  論文  参考訳（メタデータ） (2026-02-07T15:32:37Z)
• 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)
• Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics [38.53044197103943]
  GF-NODEは、空間周波数分解のためのグラフフーリエ変換と、連続時間進化のためのニューラルODEフレームワークを統合する。 GF-NODEは,拡張シミュレーションよりも重要な幾何学的特徴を保ちながら,最先端の精度を実現する。 これらの結果は,MDシミュレーションの強靭性と予測力を改善するために,連続時間モデルによるスペクトル分解のブリッジ化が期待できることを示す。
  論文  参考訳（メタデータ） (2024-11-03T15:10:48Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• 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。