Fugu-MT 論文翻訳(概要): Semantic analysis of behavior in a DNA-functionalized molecular swarm

論文の概要: Semantic analysis of behavior in a DNA-functionalized molecular swarm

arxiv url: http://arxiv.org/abs/2604.05277v1
Date: Tue, 07 Apr 2026 00:24:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.546471
Title: Semantic analysis of behavior in a DNA-functionalized molecular swarm
Title（参考訳）: DNA機能化分子群における行動のセマンティック解析
Authors: Tom Bachard, Gong Yiming, Ibuki Kawamata, Akira Kakugo, Nathanael Aubert-Kato,
Abstract要約: 我々は,細胞骨格フィラメントが表面吸着キネシンモータによって促進される標準分子群を考える。マイクロタブーモデルを拡張し,シミュレーション結果から抽出したセマンティックな原子が期待した挙動と一致することを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose applying semantic embedding to learn the range of behaviors exhibited by molecular swarms, thereby providing a richer set of features to optimize such systems. Specifically, we consider a standard molecular swarm where the individuals are cytoskeletal filaments (called microtubules) propelled by surface-adhered kinesin motors, with the addition of DNA functionalization for further control. We extend a microtubule model with that additional interaction and show that the extracted semantic atoms from simulation results match the expected behaviors. Moreover, the decomposition of each frame in the simulations accurately describes the expected impact of the external control values. Those results provide relevant leads towards the explainability of simulated experiments, making them more reliable for designing and optimizing in-vitro systems.
Abstract（参考訳）: 本稿では,分子群が示す動作範囲を学習するためにセマンティック埋め込みを適用することを提案する。具体的には、細胞骨格フィラメント(微小管と呼ばれる)を表面吸着キネシンモーターで推進し、さらに制御するためにDNA機能を付加した標準分子群を考える。マイクロ管モデルを拡張し,シミュレーション結果から抽出したセマンティックな原子が期待した挙動と一致することを示す。さらに、シミュレーションにおける各フレームの分解は、外部制御値の期待される影響を正確に記述する。これらの結果は、シミュレーション実験の説明可能性への関連性を示し、生体内システムの設計と最適化をより信頼性の高いものにする。

関連論文リスト

Protein Language Model Embeddings Improve Generalization of Implicit Transfer Operators [10.025462072265706]
分子動力学のための暗黙的伝達演算子のデータ効率と一般化を,補助的な情報源を組み込むことで向上できることを示す。我々のアプローチであるPLaTITOは、非分布タンパク質系の平衡サンプリングベンチマークにおける最先端の性能を達成する。
論文参考訳（メタデータ） (2026-02-11T09:26:12Z)
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)
Performance of universal machine-learned potentials with explicit long-range interactions in biomolecular simulations [21.340102594388348]
普遍的な機械学習ポテンシャルは、構成的および振動的自由度間で伝達可能な精度を約束する。この研究は、SPICE-v2データセットで訓練された均質なメッセージパッシングアーキテクチャを、明示的な長距離分散と静電効果なしで体系的に評価する。
論文参考訳（メタデータ） (2025-08-14T17:08:34Z)
Adaptive Substructure-Aware Expert Model for Molecular Property Prediction [5.087741013479207]
グラフニューラルネットワーク(GNN)は分子を分子グラフとしてモデル化することで有望な結果を示す。既存の方法は、しばしば異なるサブストラクチャーの分子特性への様々な貢献を見落としている。分子特性予測にMixture-of-Experts(MoE)アプローチを利用する新しいGNNベースのフレームワークであるPhil-Molを提案する。
論文参考訳（メタデータ） (2025-04-08T09:25:03Z)
Surrogate-based multiscale analysis of experiments on thermoplastic composites under off-axis loading [0.0]
偏軸荷重下での一方向熱可塑性複合材料上での定ひずみ速度とクリープ実験をモデル化するための代理型マルチスケールアプローチを提案する。実験結果から, 単一スケールのマイクロメカニカルアプローチよりも広い範囲の環境において, 実験との整合性が示唆された。
論文参考訳（メタデータ） (2025-01-17T13:39:10Z)
Integrating GNN and Neural ODEs for Estimating Non-Reciprocal Two-Body Interactions in Mixed-Species Collective Motion [0.0]
本稿では,観測軌道から基礎となる運動方程式を推定するための新しいディープラーニングフレームワークを提案する。本フレームワークは,グラフニューラルネットワークとニューラルディファレンシャル方程式を統合し,二体相互作用の効果的な予測を可能にする。
論文参考訳（メタデータ） (2024-05-26T09:47:17Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文参考訳（メタデータ） (2023-06-08T17:12:08Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
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)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。