論文の概要: Modeling Atomic Conformational Ensembles of Proteins via Test-Time Supervision of Boltz-2 on Cryo-EM Density Maps

• arxiv url: http://arxiv.org/abs/2605.09832v1
• Date: Mon, 11 May 2026 00:18:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.441396
• Title: Modeling Atomic Conformational Ensembles of Proteins via Test-Time Supervision of Boltz-2 on Cryo-EM Density Maps
• Title（参考訳）: Cryo-EM密度マップ上でのボルツ-2の試験時間スーパービジョンによるタンパク質の原子配列のモデル化
• Authors: Jay Shenoy, Miro Astore, Axel Levy, Frédéric Poitevin, Sonya M. Hanson, Gordon Wetzstein,
• Abstract要約: 本稿では,生のCryo-EMマップに基づいて,事前学習した静的構造予測モデルを微調整する新しい原理を提案する。 本稿では,Boltz-2を微調整した原子モデル構築問題に適用し,Cryo-EMマップの入力アンサンブルから原子構造を生成する。
• 参考スコア（独自算出の注目度）: 32.750519557768506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge of a protein's atomic conformational ensemble is critical to determining its function, yet state-of-the-art ensemble prediction models are limited by lack of high-quality conformational data from simulation or experiment. Recent advances in heterogeneous reconstruction for cryo-electron microscopy (cryo-EM) have enabled scientists to visualize ensembles of density maps for larger proteins and complexes not typically accessible through simulation, but building atomic models into these maps remains a challenge. Traditionally, ensemble prediction models are trained via a two-stage process: experimental density maps are converted into atomic structural ensembles through model building, after which these structures are used to train sequence-to-atomic ensemble predictors. In this work, we propose a new principle for fine-tuning pre-trained static structure prediction models such as Boltz-2 directly on raw cryo-EM maps, bypassing the two-stage process. We apply this technique to the problem of atomic model building by fine-tuning Boltz-2 to generate atomic conformations from an input ensemble of cryo-EM maps, achieving superior model building accuracy compared to prior work. Beyond overfitting to individual map ensembles, our method, CryoSampler, also shows preliminary evidence of in-domain generalization after fine-tuning, sampling diverse atomic conformations for an unseen sequences within the same protein family without requiring cryo-EM data. These capabilities indicate that CryoSampler holds the potential to train next-generation atomic ensemble prediction models directly on raw cryo-EM measurements.
• Abstract（参考訳）: タンパク質の原子コンフォメーション・アンサンブルの知識は、その機能を決定するのに不可欠であるが、最先端のアンサンブル予測モデルは、シミュレーションや実験による高品質なコンフォメーション・データの欠如によって制限される。 低温電子顕微鏡(cryo-EM)の異種再構築の最近の進歩により、科学者はより大きなタンパク質や複合体の密度マップのアンサンブルをシミュレーションで見ることができたが、これらの地図に原子モデルを構築することは依然として困難である。 実験密度マップはモデル構築を通して原子構造アンサンブルに変換され、その後、これらの構造がシーケンスから原子構造アンサンブル予測器の訓練に使用される。 本研究では,Boltz-2などの学習済み静的構造予測モデルを直接生のCryo-EMマップ上で微調整し,二段階のプロセスをバイパスする新しい原理を提案する。 本稿では,Boltz-2を微調整し,Cryo-EMマップの入力アンサンブルから原子配座を生成することにより,従来よりも優れたモデル構築精度を実現した原子モデル構築問題に適用する。 CryoSamplerは、個々のマップアンサンブルに過度に適合するだけでなく、微調整後のドメイン内一般化の予備的証拠も示し、低温EMデータを必要とすることなく、同じタンパク質ファミリー内の未確認配列に対して多様な原子配列をサンプリングした。 これらの能力は、CryoSamplerが生のCryo-EM測定に基づいて、次世代の原子アンサンブル予測モデルをトレーニングする可能性を持っていることを示している。

関連論文リスト

• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• A Gaussian Parameterization for Direct Atomic Structure Identification in Electron Tomography [0.6198237241838559]
  我々は、個々の原子の位置と性質を直接解くために、トモグラフィー逆問題を再構成する。 この表現は、学習された構造に強い物理的先行を付与し、実世界のイメージングアーティファクトに対する堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2025-12-17T02:52:32Z)
• Completion of partial structures using Patterson maps with the CrysFormer machine learning model [7.123623187944631]
  本稿では,タンパク質データバンクのエントリから抽出したタンパク質断片のデータセットについて紹介する。 本手法は結晶構造因子の位相改善と部分構造テンプレートから欠落する領域の完成に有効であることを示す。
  論文  参考訳（メタデータ） (2025-11-13T16:04:21Z)
• CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• Multiscale guidance of AlphaFold3 with heterogeneous cryo-EM data [33.562685684224995]
  低温電子顕微鏡(cryo-EM)は、近原性構造不均一性をイメージングするための強力なツールとして登場した。 ここでは, タンパク質構造予測モデルを用いて学習したCryo-EM密度マップと, 豊富な配列と生物物理学的先行データを組み合わせる。 我々の方法であるCryoBoltzは、大域的および局所的な構造制約を用いて、事前訓練されたタンパク質構造予測モデルのサンプリング軌跡を導出する。
  論文  参考訳（メタデータ） (2025-06-04T22:16:27Z)
• Higher-order topological Peierls insulator in a two-dimensional atom-cavity system [58.720142291102135]
  我々は、光子を介する相互作用が原子基底状態におけるプラケット配位結合パターンをいかに生み出すかを示す。 このパターンは2Dの非自明なトポロジカルギャップを開き、高次トポロジカル位相ホストコーナー状態をもたらす。 我々の研究は、原子量子シミュレータがいかにして、新しい強相関な位相現象を研究することができるかを示す。
  論文  参考訳（メタデータ） (2023-05-05T10:25:14Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Heterogeneous reconstruction of deformable atomic models in Cryo-EM [30.864688165021054]
  変形を少数の集団運動に還元した原子論的な表現に基づく異種再構成法について述べる。 各分布について、我々の手法が原子レベルの精度で中間原子モデルを再カプセル化可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-29T22:35:35Z)
• Sequence-guided protein structure determination using graph convolutional and recurrent networks [0.0]
  単一粒子、低温電子顕微鏡(cryo-EM)実験は、現在、大きなタンパク質の高分解能データを日常的に生成している。 この種のタスクの既存のプロトコルは、しばしば人間の介入に頼り、アウトプットを生成するのに数時間から何日もかかることがある。 ここでは、完全に自動化された、テンプレートなしのモデル構築アプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-14T06:24:07Z)

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。