論文の概要: All-atomistic Transferable Neural Potentials for Protein Solvation

• arxiv url: http://arxiv.org/abs/2605.14584v1
• Date: Thu, 14 May 2026 08:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.7349
• Title: All-atomistic Transferable Neural Potentials for Protein Solvation
• Title（参考訳）: タンパク質溶解のための全原子移動型神経電位
• Authors: Rishabh Dey, Salvina Sharipova, Konstantin Popov,
• Abstract要約: 入射溶媒モデル(英語版)は、溶媒の自由度を減少させ、水分子を含まない溶媒エネルギーの計算を可能にするために広く用いられている。 近年の神経電位の進歩は薬物発見の可能性を示唆しているが、伝達性は持続的な課題である。 本稿では,最終エネルギーにポストホック調整を適用するのではなく,モデルパラメータへの変換可能な補正を学習することにより,解析的連続解法を拡張する暗黙の解法モデルであるPhitary Hydration Neural Network(PHNN)を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit solvent models are widely used to decrease the number of solvent degrees of freedom and enable the calculation of solvation energetics without water molecules. However, its accuracy often falls short compared to explicit models. Recent advancements in neural potentials have shown promise in drug discovery, but transferability remains a persistent challenge. Here, we introduce the Protein Hydration Neural Network (PHNN), an implicit solvent model that extends analytical continuum solvation by learning transferable corrections to model parameters instead of applying post hoc adjustments to final energies. The model is explicitly designed to maximize data efficiency by leveraging physical priors embedded in the data. We demonstrate that PHNN improves accuracy relative to traditional analytical methods and maintains predictive accuracy on out-of-domain protein systems.
• Abstract（参考訳）: 入射溶媒モデル(英語版)は、溶媒の自由度を減少させ、水分子を含まない溶媒エネルギーの計算を可能にするために広く用いられている。 しかし、その精度は明示的なモデルに比べて低い場合が多い。 神経電位の最近の進歩は、薬物発見の公約を示しているが、伝達性は持続的な課題である。 本稿では,最終エネルギーにポストホック調整を適用するのではなく,モデルパラメータへの変換可能な補正を学習することにより,解析的連続解法を拡張する暗黙の解法モデルであるPhitary Hydration Neural Network(PHNN)を紹介する。 このモデルは、データに埋め込まれた物理的事前情報を活用することにより、データの効率を最大化するように設計されている。 我々は、PHNNが従来の分析手法と比較して精度を向上し、ドメイン外タンパク質系の予測精度を維持することを実証した。

関連論文リスト

• Hybrid Physics-ML Model for Forward Osmosis Flux with Complete Uncertainty Quantification [0.0]
  本稿では,ガウス過程回帰(GPR)を用いたロバストハイブリッド物理-MLフレームワークを提案する。 我々は、詳細な非線形FO物理モデル予測(Jw_physical)と実験水流束(Jw_actual)の間の残留誤差に基づいてGPRを訓練する。 120のデータポイントでトレーニングされたこのモデルは、最先端の平均絶対パーセンテージエラー(MAPE)を0.26%、独立したテストデータ上でR2を0.999で達成した。
  論文  参考訳（メタデータ） (2025-12-11T09:27:44Z)
• Extending machine learning model for implicit solvation to free energy calculations [37.65679407817425]
  我々は、Lambda Solvation Neural Network(LSNN)と呼ばれるグラフニューラルネットワーク(GNN)に基づく暗黙の溶媒モデルを導入する。 LSNNは、明解アルケミカルシミュレーションに匹敵する精度で自由エネルギー予測を行う。
  論文  参考訳（メタデータ） (2025-10-23T01:05:44Z)
• An End-to-End Differentiable, Graph Neural Network-Embedded Pore Network Model for Permeability Prediction [0.42970700836450487]
  細孔ネットワークモデル (PNMs) は細孔スケールの油圧コンダクタンスを推定し、その精度を複雑な構造で制限する。 本稿では,グラフニューラルネットワーク(GNN)をPNMに組み込む,エンドツーエンドの差別化可能なハイブリッドフレームワークを提案する。 このモデルは高い精度を達成し、様々なスケールでうまく結合し、純粋なデータ駆動型アプローチと従来のPNMアプローチの両方より優れている。
  論文  参考訳（メタデータ） (2025-09-17T09:15:23Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Generalized Neural Closure Models with Interpretability [28.269731698116257]
  我々は、統合された神経部分遅延微分方程式の新規で汎用的な方法論を開発した。 マルコフ型および非マルコフ型ニューラルネットワーク(NN)の閉包パラメータ化を用いて, 偏微分方程式(PDE)における既存/低忠実度力学モデルを直接拡張する。 本研究では, 非線形波動, 衝撃波, 海洋酸性化モデルに基づく4つの実験セットを用いて, 新しい一般化ニューラルクロージャモデル(gnCMs)の枠組みを実証する。
  論文  参考訳（メタデータ） (2023-01-15T21:57:43Z)
• Physics-Informed Neural Network Method for Parabolic Differential Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
  急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。 ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。 本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
  論文  参考訳（メタデータ） (2022-08-18T05:00:24Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)

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。