論文の概要: Learning Structure, Energy, and Dynamics: A Survey of Artificial Intelligence for Protein Dynamics

• arxiv url: http://arxiv.org/abs/2604.25244v1
• Date: Tue, 28 Apr 2026 05:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.724792
• Title: Learning Structure, Energy, and Dynamics: A Survey of Artificial Intelligence for Protein Dynamics
• Title（参考訳）: 構造、エネルギー、ダイナミクスを学習する:タンパク質ダイナミクスのための人工知能のサーベイ
• Authors: Haocheng Tang, Liang Shi, Ya-Shi Zhang, Xixian Liu, Jian Tang, Jiarui Lu,
• Abstract要約: 本調査では,3つの観点から,タンパク質動態の人工知能の進歩を概観する。 本稿では, アンサンブル生成, 軌道生成, ボルツマン生成, 物理認識適応, 機械学習ポテンシャル, 粗粒度モデリング, 集合変数発見の手法を要約する。 利用可能なデータセットと、スケーラビリティ、熱力学的一貫性、運動的忠実度、実験的制約との統合など、主要なオープン課題について議論する。
• 参考スコア（独自算出の注目度）: 17.445207546686863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein dynamics underlie many biological functions, yet remain difficult to characterize due to the high computational cost of molecular dynamics simulations and the scarcity of dynamic structural data. This survey reviews recent advances in artificial intelligence for protein dynamics from three perspectives: learning from structural ensembles and trajectories, learning from physical energy signals, and learning to accelerate molecular simulations. We summarize representative methods for conformation ensemble generation, trajectory generation, Boltzmann generators, physics-aware adaptation, machine learning potentials, coarse-grained modeling, and collective variable discovery. We further discuss available datasets and key open challenges, such as scalability, thermodynamic consistency, kinetic fidelity, and integration with experimental constraints.
• Abstract（参考訳）: タンパク質力学は多くの生物学的機能を持つが、分子動力学シミュレーションの計算コストが高く、動的構造データの不足のために特徴付けることは困難である。 この調査は、構造的なアンサンブルや軌道から学ぶこと、物理的エネルギー信号から学ぶこと、分子シミュレーションを加速する学習という3つの視点から、タンパク質力学のための人工知能の最近の進歩をレビューする。 本稿では,コンフォーメーションアンサンブル生成,軌道生成,ボルツマン生成,物理認識適応,機械学習ポテンシャル,粗粒度モデリング,集団変数発見の代表的な手法を要約する。 さらに、利用可能なデータセットや、スケーラビリティ、熱力学的一貫性、運動的忠実度、実験的制約との統合など、主要なオープン課題についても論じる。

関連論文リスト

• From Snapshots to Symphonies: The Evolution of Protein Prediction from Static Structures to Generative Dynamics and Multimodal Interactions [0.8880611506199769]
  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。
  論文  参考訳（メタデータ） (2026-03-19T05:25:17Z)
• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• Learning Biomolecular Motion: The Physics-Informed Machine Learning Paradigm [0.0]
  物理インフォームド機械学習は、データ駆動推論と物理的な制約を統合する体系的なフレームワークを提供する。 我々はこれらのアプローチを「生体分子閉鎖問題」の解として捉えている。 我々は、機械学習、統計物理学、計算化学の交差点における先進的な研究の道について概説する。
  論文  参考訳（メタデータ） (2025-11-10T00:24:06Z)
• Accelerating Protein Molecular Dynamics Simulation with DeepJump [0.16014584261209674]
  DeepJumpはEuclidean-Equivariant Flow Matchingベースのモデルで、複数の時間スケールにわたるタンパク質のコンフォメーションダイナミクスを予測する。 本研究では,高速折り畳みタンパク質の長期動態を一般化し,計算加速度と予測精度のトレードオフを特徴付けるモデルの性能について検討する。
  論文  参考訳（メタデータ） (2025-09-16T17:48:58Z)
• MoDyGAN: Combining Molecular Dynamics With GANs to Investigate Protein Conformational Space [0.0]
  MoDyGANは、分子動力学シミュレーションと生成敵ネットワーク(GAN)を利用してタンパク質コンフォメーション空間を探索するパイプラインである。 MoDyGANには、ガウス分布をMD由来のタンパク質軌道にマッピングするジェネレータと、アンサンブル学習と二重識別器を組み合わせた精製モジュールが含まれている。 我々のアプローチの中心は、3Dタンパク質構造を2D行列に可逆的に変換する革新的な表現技術である。 以上の結果から,タンパク質をイメージライクなデータとして表現することは,生物分子シミュレーションに高度な深層学習技術を適用する新たな可能性を開くことが示唆された。
  論文  参考訳（メタデータ） (2025-07-18T14:18:28Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• 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)
• Machine Learning Coarse-Grained Potentials of Protein Thermodynamics [1.3543803103181613]
  我々は、ニューラルネットワークに基づいて粗粒度分子ポテンシャルを構築し、統計力学を基礎とする。 トレーニングのために、12種類のタンパク質に対して約9msの非偏平全原子分子動力学シミュレーションのユニークなデータセットを構築した。 粗い粒度のモデルでは、系の熱力学を保ちながら、力学を3桁以上加速することができる。
  論文  参考訳（メタデータ） (2022-12-14T20:23:11Z)
• 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)
• 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。

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。