論文の概要: Polyformer: a generative framework for thermodynamic modeling of polymeric molecules

• arxiv url: http://arxiv.org/abs/2604.14241v1
• Date: Wed, 15 Apr 2026 03:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.93841
• Title: Polyformer: a generative framework for thermodynamic modeling of polymeric molecules
• Title（参考訳）: Polyformer:高分子分子の熱力学モデリングのための生成フレームワーク
• Authors: Alessio Valentini, David Pekker, Chungwen Liang, Todd Martinez, Swagatam Mukhopadhyay,
• Abstract要約: 本稿では,高分子分子の熱力学モデリングのための生成フレームワークであるPolyformerを紹介する。 これは3つの問題を同時に解く最初の生成モデルであり、分子はどのように折り畳み、構造的アンサンブルは何か、構造的アンサンブルは物理的温度を変化させるにつれてどのように変化するのかである。 実例では,50-111残基のタンパク質ドメインにPolyformerを適用し,分子動力学(MD)軌道にモデル予測の整合性を報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classic paradigm of structural biology is that the sequence of a biomolecule (protein, nucleic acid, lipid, etc) determines its conformation (shape) which determines its biological function. Protein folding programs like AlphaFold address this paradigm by predicting the single best conformation given a sequence that defines the molecule. However, biomolecules are not static structures, and their conformational ensemble determines their function. We present the Polyformer -- a generative framework for thermodynamic modeling of polymeric molecules. Given the sequence and temperature (or another thermodynamic variable), the Polyformer generates conformations faithful to the molecule's thermodynamic conformational ensemble. It is the first generative model that solves three problems simultaneously: how does a molecule fold, what is its conformational ensemble, and how does the conformational ensemble change as we change physical temperature. As a concrete test case, we apply Polyformer to protein domains with 50-111 residues and report good agreement of model predictions to Molecular Dynamics (MD) trajectories.
• Abstract（参考訳）: 構造生物学の古典的なパラダイムは、生体分子(タンパク質、核酸、脂質など)の配列がその構造(形状)を決定し、その生物学的機能を決定することである。 AlphaFoldのようなタンパク質折り畳みプログラムはこのパラダイムに対処し、分子を定義する配列が与えられたときの単一最適配座を予測する。 しかし、生体分子は静的構造ではなく、構造的アンサンブルがそれらの機能を決定する。 本稿では,高分子分子の熱力学モデリングのための生成フレームワークであるPolyformerを紹介する。 配列と温度(または別の熱力学的変数)が与えられたとき、ポリフォーマーは分子の熱力学的コンフォメーションのアンサンブルに忠実なコンフォメーションを生成する。 これは3つの問題を同時に解く最初の生成モデルであり、分子はどのように折り畳み、構造的アンサンブルは何か、構造的アンサンブルは物理的温度を変化させるにつれてどのように変化するのかである。 実例では,50-111残基のタンパク質ドメインにPolyformerを適用し,分子動力学(MD)軌道にモデル予測の整合性を報告する。

関連論文リスト

• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• Generating 3D Molecules Conditional on Receptor Binding Sites with Deep Generative Models [0.0]
  本稿では,受容体結合部位に条件付き3次元分子構造を生成する深層学習システムについて述べる。 生成原子密度から有効な分子配座を構築するために原子フィッティング法と結合推論法を適用した。 この研究は、ディープラーニングによるタンパク質構造からの安定な生物活性分子のエンドツーエンド予測の扉を開く。
  論文  参考訳（メタデータ） (2021-10-28T15:17:24Z)

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。