論文の概要: Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics

• arxiv url: http://arxiv.org/abs/2604.03911v1
• Date: Sun, 05 Apr 2026 00:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.831012
• Title: Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics
• Title（参考訳）: 構造を調節する:分子動力学のための構造前処理による軌道生成
• Authors: Aniketh Iyengar, Jiaqi Han, Pengwei Sun, Mingjian Jiang, Jianwen Xie, Stefano Ermon,
• Abstract要約: MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
• 参考スコア（独自算出の注目度）: 57.2871599860811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating molecular dynamics (MD) trajectories using deep generative models has attracted increasing attention, yet remains inherently challenging due to the limited availability of MD data and the complexities involved in modeling high-dimensional MD distributions. To overcome these challenges, we propose a novel framework that leverages structure pretraining for MD trajectory generation. Specifically, we first train a diffusion-based structure generation model on a large-scale conformer dataset, on top of which we introduce an interpolator module trained on MD trajectory data, designed to enforce temporal consistency among generated structures. Our approach effectively harnesses abundant structural data to mitigate the scarcity of MD trajectory data and effectively decomposes the intricate MD modeling task into two manageable subproblems: structural generation and temporal alignment. We comprehensively evaluate our method on the QM9 and DRUGS small-molecule datasets across unconditional generation, forward simulation, and interpolation tasks, and further extend our framework and analysis to tetrapeptide and protein monomer systems. Experimental results confirm that our approach excels in generating chemically realistic MD trajectories, as evidenced by remarkable improvements of accuracy in geometric, dynamical, and energetic measurements.
• Abstract（参考訳）: 深部生成モデルを用いた分子動力学(MD)軌道の生成は注目されているが、MDデータの可用性の限界と高次元MD分布のモデル化に関わる複雑さのため、本質的には困難である。 これらの課題を克服するために,MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 具体的には,大規模なコンバータデータセット上に拡散に基づく構造生成モデルをトレーニングし,その上にMD軌道データに基づいてトレーニングされた補間モジュールを導入し,生成した構造間の時間的一貫性を実現する。 提案手法は,MDトラジェクトリデータの不足を軽減し,複雑なMDモデリングタスクを2つの管理可能なサブプロブレム(構造生成と時間アライメント)に効果的に分解する。 非条件生成、フォワードシミュレーション、補間タスクにまたがるQM9およびDRUGS小分子データセットを網羅的に評価し、さらにテトラペプチドおよびタンパク質モノマーシステムにフレームワークと分析を拡張した。 実験の結果, 化学的に現実的なMD軌道の生成に優れており, 幾何的, 動的, エネルギー的測定の精度が著しく向上していることが確認できた。

関連論文リスト

• Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics [23.265257394398102]
  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。
  論文  参考訳（メタデータ） (2026-03-18T11:53:45Z)
• 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)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• 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)
• Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
  データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。 このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T13:02:28Z)
• Str2Str: A Score-based Framework for Zero-shot Protein Conformation Sampling [23.74897713386661]
  タンパク質の動的性質は、その生物学的機能や性質を決定するために重要である。 既存の学習ベースのアプローチでは、直接サンプリングを行うが、トレーニングにはターゲット固有のシミュレーションデータに大きく依存する。 ゼロショットコンフォーメーションサンプリングが可能な新しい構造間翻訳フレームワークStr2Strを提案する。
  論文  参考訳（メタデータ） (2023-06-05T15:19:06Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。