論文の概要: From Snapshots to Symphonies: The Evolution of Protein Prediction from Static Structures to Generative Dynamics and Multimodal Interactions

• arxiv url: http://arxiv.org/abs/2603.18505v1
• Date: Thu, 19 Mar 2026 05:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.968893
• Title: From Snapshots to Symphonies: The Evolution of Protein Prediction from Static Structures to Generative Dynamics and Multimodal Interactions
• Title（参考訳）: スナップショットから交響曲へ:タンパク質予測の静的構造から生成ダイナミクスとマルチモーダル相互作用への進化
• Abstract要約: レビューでは、5つの相互接続された次元にわたるAI駆動タンパク質科学のパラダイムシフトを体系的に検証している。 データ分散バイアス、機械的解釈可能性の制限、幾何学的メトリクスと生物物理学的現実の切り離しなど、現在のボトルネックを批判的に分析する。 この手法は、人工知能が構造解析ツールから普遍的なシミュレータへ移行し、生命の動的言語を理解し、最終的に書き換えることができることを示す。
• 参考スコア（独自算出の注目度）: 0.8880611506199769
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The protein folding problem has been fundamentally transformed by artificial intelligence, evolving from static structure prediction toward the modeling of dynamic conformational ensembles and complex biomolecular interactions. This review systematically examines the paradigm shift in AI driven protein science across five interconnected dimensions: unified multimodal representations that integrate sequences, geometries, and textual knowledge; refinement of static prediction through MSA free architectures and all atom complex modeling; generative frameworks, including diffusion models and flow matching, that capture conformational distributions consistent with thermodynamic ensembles; prediction of heterogeneous interactions spanning protein ligand, protein nucleic acid, and protein protein complexes; and functional inference of fitness landscapes, mutational effects, and text guided property prediction. We critically analyze current bottlenecks, including data distribution biases, limited mechanistic interpretability, and the disconnect between geometric metrics and biophysical reality, while identifying future directions toward physically consistent generative models, multimodal foundation architectures, and experimental closed loop systems. This methodological transformation marks artificial intelligence's transition from a structural analysis tool into a universal simulator capable of understanding and ultimately rewriting the dynamic language of life.
• Abstract（参考訳）: タンパク質の折り畳み問題は人工知能によって根本的に変化し、静的構造予測から動的コンフォメーションアンサンブルと複雑な生体分子相互作用のモデリングへと進化してきた。 本稿では,AI駆動型タンパク質科学のパラダイムシフトを,5つの相互接続次元にわたって体系的に検討する。シーケンス,ジオメトリー,テキスト知識を統合する統合マルチモーダル表現,MSA自由アーキテクチャによる静的予測の洗練,熱力学的アンサンブルに整合したコンフォメーション分布を捉える拡散モデルやフローマッチングを含む生成フレームワーク,タンパク質リガンド,タンパク質核酸,タンパク質タンパク質複合体にまたがるヘテロジニアス相互作用の予測,フィットネスランドスケープの関数的推論,突然変異効果,テキストガイドされたプロパティ予測などである。 データ分散バイアス、機械的解釈可能性の制限、幾何学的メトリクスと生物物理学的現実の切り離しなど、現在のボトルネックを批判的に分析するとともに、物理的に一貫した生成モデル、マルチモーダル基礎アーキテクチャ、実験的な閉ループシステムといった将来の方向性を特定した。 この手法は、人工知能が構造解析ツールから普遍的なシミュレータへ移行し、生命の動的言語を理解し、最終的に書き換えることができることを示す。

関連論文リスト

• Protein Structure Prediction: From Evolutionary Constraints to Generative Modeling [5.283983962386345]
  近年のディープラーニングの進歩は、タンパク質構造予測の分野に変化をもたらした。 本稿では,フィールド自体の方法論的進化に焦点をあてる。 方法論的なシフトが、最近のモデルの能力、限界、実践的な役割をいかに形作ったか、より明確な理解を提供する。
  論文  参考訳（メタデータ） (2026-08-17T04:33:17Z)
• DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics [25.369285689319852]
  分子動力学(MD)に基づく動的タンパク質データセットDynaPPIについて検討した。 このデータセットから得られる拡散モデルは、既知の錯体の動的結合軌跡を明示的に学習し、その多様な生成特性に基づいて未知の錯体の構造を正確に予測することができる。
  論文  参考訳（メタデータ） (2026-08-11T03:32:32Z)
• A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
  分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。 この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。 ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
  論文  参考訳（メタデータ） (2026-04-17T15:16:33Z)
• Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
  両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。 Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。 また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
  論文  参考訳（メタデータ） (2026-03-30T01:54:03Z)
• Generative Modeling in Protein Design: Neural Representations, Conditional Generation, and Evaluation Standards [3.8025175740783026]
  生成モデリングはタンパク質研究の中心的なパラダイムとなっている。 この調査は、予測モデリングから信頼性の高い機能駆動タンパク質工学への移行を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-03-27T13:02:16Z)
• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• TEMPO: Temporal Multi-scale Autoregressive Generation of Protein Conformational Ensembles [8.6867067594535]
  本稿では,タンパク質の動的モデリングのための新しい階層的自己回帰フレームワークを提案する。 最先端の生成モデルを用いて高レベルの生物物理原理をブリッジすることにより,タンパク質の動態をシミュレーションするための効率的な枠組みを提供する。
  論文  参考訳（メタデータ） (2025-10-24T13:11:47Z)
• Multiscale geometrical and topological learning in the analysis of soft matter collective dynamics [0.4440432588828829]
  統合幾何学的および位相的データ分析(TDA)は、そのようなシステムを研究するための強力なフレームワークを提供する。 スカイミオンアンサンブルの画像から生成されたフィールドの解析に基づく手法は、外部刺激に対するシステムの反応の非線形物理機構に関する洞察を与える。
  論文  参考訳（メタデータ） (2025-07-28T18:40:37Z)
• 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)
• ProtSCAPE: Mapping the landscape of protein conformations in molecular dynamics [3.6181745062052495]
  我々は,新しい深層学習アーキテクチャ,タンパク質トランスフォーマー,散乱,注意,位置埋め込み(ProtSCAPE)を導入する。 ProtSCAPEは、幾何学的散乱変換のマルチスケールの性質を利用して、グラフとして概念化されたタンパク質構造から特徴を抽出する。 これらの特徴を、残基やアミノ酸シグナルに焦点をあてた二重の注意構造と統合し、タンパク質軌道の潜在的な表現を生成する。
  論文  参考訳（メタデータ） (2024-10-27T02:59:48Z)
• 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)
• Deep Signature: Characterization of Large-Scale Molecular Dynamics [29.67824486345836]
  ディープシグナチャ(Deep Signature)は、複雑な力学と原子間相互作用を特徴付ける、計算的に抽出可能な新しいフレームワークである。 提案手法では,協調力学を局所的に集約してシステムのサイズを小さくするソフトスペクトルクラスタリングと,非滑らかな対話力学のグローバルな評価を行うシグネチャ変換を取り入れた。
  論文  参考訳（メタデータ） (2024-10-03T16:37:48Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)

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。