論文の概要: PRIME: Protein Representation via Physics-Informed Multiscale Equivariant Hierarchies

• arxiv url: http://arxiv.org/abs/2605.01625v1
• Date: Sat, 02 May 2026 22:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.855721
• Title: PRIME: Protein Representation via Physics-Informed Multiscale Equivariant Hierarchies
• Title（参考訳）: PRIME:物理インフォームド・マルチスケール等式階層によるタンパク質表現
• Authors: Viet Thanh Duy Nguyen, John K. Johnstone, Truong-Son Hy,
• Abstract要約: PRIME(Protein Representation via Physics-Informed Multiscale Equivariant Hierarchies)は、タンパク質を表面、原子、残基、二次構造、タンパク質の5つの構造グラフからなるネストされたファミリーとしてモデル化する統一的なフレームワークである。 標準的なタンパク質表現学習ベンチマークの実験は、様々なタスクにまたがって強力で競争力のある性能を示す。
• 参考スコア（独自算出の注目度）: 6.086602240954416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proteins are inherently multiscale physical systems whose functional properties emerge from coordinated structural organization across multiple spatial resolutions, ranging from atomic interactions to global fold topology. However, existing protein representation learning methods typically operate at a single structural level or treat different sources of structural information as parallel modalities, without explicitly modeling their hierarchical relationships. We introduce PRIME (Protein Representation via Physics-Informed Multiscale Equivariant Hierarchies), a unified framework that models proteins as a nested family of five physically grounded structural graphs spanning surface, atomic, residue, secondary-structure, and protein levels. Adjacent levels are connected through deterministic, physics-informed assignment operators, enabling bidirectional information exchange via bottom-up aggregation and top-down contextual refinement. Experiments on standard protein representation learning benchmarks demonstrate strong and competitive performance across diverse tasks, with particularly notable gains on the Fold Classification benchmark, where PRIME outperforms the strongest geometric GNN baseline by margins of 13.80 and 18.30 points on the harder Superfamily and Fold splits, and achieves a state-of-the-art accuracy of 84.10% on Reaction Class prediction, surpassing all baseline methods, including ESM. Ablation studies confirm that each structural level contributes complementary and non-redundant information, and adaptive cross-attention analysis reveals that PRIME autonomously identifies the most task-relevant structural resolutions at prediction time. Our source code is publicly available at https://github.com/HySonLab/PRIME
• Abstract（参考訳）: タンパク質は本質的には、原子間相互作用からグローバルな折りたたみトポロジーまで、複数の空間解像度の調整された構造構造から機能的な性質が現れる、マルチスケールの物理系である。 しかし、既存のタンパク質表現学習法は、通常、1つの構造レベルで機能するか、異なる構造情報のソースを、その階層的な関係を明示的にモデル化することなく、平行なモダリティとして扱う。 PRIME(Protein Representation via Physics-Informed Multiscale Equivariant Hierarchies)は,タンパク質を表面,原子,残基,二次構造,タンパク質の5つの物理基底構造グラフからなるネストされたファミリーとしてモデル化する統合フレームワークである。 隣接レベルは決定論的、物理インフォームドな代入演算子を介して接続され、ボトムアップアグリゲーションとトップダウンの文脈改善を通じて双方向の情報交換を可能にする。 標準的なタンパク質表現学習ベンチマークの実験は、様々なタスクにまたがって強力で競争的な性能を示しており、特にFold ClassificationベンチマークではPRIMEが13.80点と18.30点の差で最強の幾何学的GNNベースラインを上回り、より難しいSuper FamilyとFoldの分割を達成し、ESMを含む全てのベースラインメソッドを上回る84.10%の最先端の精度を達成している。 アブレーション研究は、各構造レベルが相補的および非冗長な情報に寄与していることを確認し、適応的相互注意分析により、PRIMEが予測時に最もタスク関連のある構造解決を自律的に特定することを明らかにする。 ソースコードはhttps://github.com/HySonLab/PRIMEで公開されています。

関連論文リスト

• 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)
• Topotein: Topological Deep Learning for Protein Representation Learning [16.907805137005845]
  タンパク質表現学習(PRL)にトポロジカルディープラーニングを適用した包括的フレームワークTopoteinを紹介する。 PCCは、各レベルで幾何情報を保持しながら、残基から二次構造から完全なタンパク質まで、複数の階層レベルでタンパク質を表現している。 TCPNetは、これらの階層構造を横断するSE(3)-等価メッセージパッシングを採用し、より効果的なマルチスケール構造パターンのキャプチャを可能にする。
  論文  参考訳（メタデータ） (2025-09-04T04:58:20Z)
• AlphaFold Database Debiasing for Robust Inverse Folding [58.792020809180336]
  Debiasing Structure AutoEncoder (DeSAE)を導入し、故意に破損したバックボーンジオメトリからネイティブライクなコンフォーメーションを再構築することを学ぶ。 推測において、DeSAEをAFDB構造に適用すると、逆折り畳み性能を著しく向上する偏りのある構造が生成される。
  論文  参考訳（メタデータ） (2025-06-10T02:25:31Z)
• Bidirectional Hierarchical Protein Multi-Modal Representation Learning [4.682021474006426]
  大規模タンパク質配列で事前訓練されたタンパク質言語モデル(pLM)は、配列ベースタスクにおいて大きな成功を収めた。 3次元構造情報を活用するために設計されたグラフニューラルネットワーク(GNN)は、タンパク質関連予測タスクにおいて有望な一般化を示している。 本稿では、よりリッチで包括的なタンパク質表現を捉えるために、双方向かつ階層的な(双階層的な)融合アプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-07T06:47:49Z)
• Multi-Scale Representation Learning for Protein Fitness Prediction [31.735234482320283]
  これまでの手法は主に、巨大でラベルなしのタンパク質配列や構造データセットに基づいて訓練された自己教師型モデルに依存してきた。 本稿では,タンパク質の機能を統合する新しいマルチモーダル表現学習フレームワークであるSequence-Structure-Surface Fitness (S3F)モデルを紹介する。 提案手法は,タンパク質言語モデルからの配列表現と,タンパク質のバックボーンと詳細な表面トポロジーをコードするGeometric Vector Perceptronネットワークを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-02T04:28:10Z)
• 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)
• Multi-Scale Representation Learning on Proteins [78.31410227443102]
  本稿では,タンパク質HoloProtのマルチスケールグラフ構築について紹介する。 表面はタンパク質の粗い詳細を捉え、配列は一次成分であり、構造はより微細な詳細を捉えている。 グラフエンコーダは、各レベルが下のレベル(s)からそのレベルでのグラフとエンコーディングを統合することで、マルチスケール表現を学習する。
  論文  参考訳（メタデータ） (2022-04-04T08:29:17Z)
• PersGNN: Applying Topological Data Analysis and Geometric Deep Learning to Structure-Based Protein Function Prediction [0.07340017786387766]
  本研究では,タンパク質構造を分離し,タンパク質データバンク内のタンパク質の機能的アノテーションを作成する。 本稿では,グラフ表現学習とトポロジカルデータ解析を組み合わせた,エンドツーエンドのトレーニング可能なディープラーニングモデルPersGNNを提案する。
  論文  参考訳（メタデータ） (2020-10-30T02:24:35Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)

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。