論文の概要: CrystalBoltz: End-to-End Protein Structure Determination via Experiment-Guided Diffusion for X-Ray Crystallography

• arxiv url: http://arxiv.org/abs/2605.15564v1
• Date: Fri, 15 May 2026 03:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.156693
• Title: CrystalBoltz: End-to-End Protein Structure Determination via Experiment-Guided Diffusion for X-Ray Crystallography
• Title（参考訳）: CrystalBoltz: X線結晶学のための実験誘導拡散によるエンド・ツー・エンドタンパク質構造決定
• Authors: Minseo Kim, Huanghao Mai, Jay Shenoy, Alec Follmer, Gordon Wetzstein, Frederic Poitevin,
• Abstract要約: 本稿では, 結晶微細化を原子構造上の手動で行う生成フレームワークであるCrystalBoltzを紹介する。 クリスタルボルツは最強基準線よりも低い座標RMSDと低いR因子を得る。
• 参考スコア（独自算出の注目度）: 30.81932057978292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models trained on public databases of protein structures, most of which have been determined by X-ray crystallography, now provide powerful priors for structure prediction. However, they are not readily conditioned on the measurements from a new crystallographic experiment, limiting their use for X-ray structure determination. In crystallography, the measured structure-factor amplitudes do not by themselves determine an electron density map or atomic structure because the associated phases are unobserved and must be inferred. Structure determination therefore remains an inverse problem in which candidate models must be both structurally plausible and consistent with measured diffraction data, often requiring substantial manual refinement by human experts. Emerging methods aim to incorporate experimental information more directly into predictive and refinement workflows. We present CrystalBoltz, a generative framework that casts crystallographic refinement as Bayesian inference over atomic structures and operates directly on structure-factor amplitudes. CrystalBoltz moves from unguided generation with a pre-trained prior over protein structures to experiment-guided posterior sampling, followed by atomic coordinate and B-factor refinement. Across multiple protein crystallography datasets, CrystalBoltz attains lower coordinate RMSD and lower R-factors than the strongest baselines considered, while reducing runtime by a factor of 33 relative to existing experimentally guided refinement.
• Abstract（参考訳）: タンパク質構造の公開データベースに基づいて訓練された生成モデルは、そのほとんどはX線結晶学によって決定され、現在、構造予測のための強力な先行情報を提供している。 しかし、新しい結晶学実験による測定では容易には条件付けられず、X線構造決定への使用を制限している。 結晶学において、測定された構造因子振幅は電子密度マップや原子構造を決定するものではない。 したがって、構造決定は、候補モデルが構造的に妥当であり、測定された回折データと一致しなければならない逆問題であり、しばしば人手による実質的な改善を必要とする。 創発的手法は、より直接的な実験情報を予測と改善のワークフローに組み込むことを目的としている。 本稿では, 結晶微細化を原子構造に対するベイズ推定とし, 構造因子振幅を直接操作する生成フレームワークであるCrystalBoltzを提案する。 クリスタルボルツは、事前訓練されたタンパク質構造を持つ誘導されていない世代から、実験誘導された後部サンプリングへと移行し、続いて原子座標とB因子の精製を行う。 複数のタンパク質結晶学データセット全体にわたって、CrystalBoltzは、検討された最強ベースラインよりも低い座標RMSDと低いR因子を達成し、既存の実験的に導かれた精製と比較して、実行を33倍に減らした。

関連論文リスト

• OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
  分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。 実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。 オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-12-07T20:46:30Z)
• 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)
• XDXD: End-to-end crystal structure determination with low resolution X-ray diffraction [22.50406008374185]
  我々は,低解像度単結晶X線回折データから直接完全な原子モデルを決定するための,最初のエンドツーエンドディープラーニングフレームワークであるXDXDを紹介する。 我々のモデルは、2.0AA解像度に制限されたデータを持つ構造に対して70.4%の一致率を達成し、根平均二乗誤差(RMSE)は0.05未満である。
  論文  参考訳（メタデータ） (2025-10-20T15:50:21Z)
• CrystalGRW: Generative Modeling of Crystal Structures with Targeted Properties via Geodesic Random Walks [1.2141052067494946]
  本稿では,密度汎関数理論で検証された安定位相を予測できる拡散モデルであるCrystalGRWを紹介する。 CrystalGRWは、既存のモデルに匹敵する精度で基底状態に近い現実的な結晶構造を生成する能力を示す。 これらの特徴は、安定で対称性に富んだ結晶候補を実験的に検証することで、材料発見と逆設計を加速する。
  論文  参考訳（メタデータ） (2025-01-15T18:26:35Z)
• CrystalX: Ultra-Precision Crystal Structure Resolution and Error Correction Using Deep Learning [44.02107704258412]
  本研究では,全原子レベルでの超精密構造解析モデルであるCrystalXを開発した。 このモデルを検証するために,5万回以上のX線回折測定を行った。 このディープラーニングモデルは、結晶構造解析の時間枠に革命をもたらし、それを数秒に短縮する。
  論文  参考訳（メタデータ） (2024-10-17T16:12:55Z)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
  本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。 本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。 その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
  論文  参考訳（メタデータ） (2023-10-07T21:36:55Z)
• Shotgun crystal structure prediction using machine-learned formation energies [3.2563787689949133]
  組み立てられた原子の結晶構造は、原子配置の広い空間内でエネルギー表面の大域的または局所的なミニマを見つけることで予測できる。 本稿では,結晶構造予測問題の解決に向けた大きな進展を示す。 我々は,機械学習エネルギー予測器を備えた仮想結晶構造の大規模なライブラリを用いて,非定常単発スクリーニングを行った。
  論文  参考訳（メタデータ） (2023-05-03T14:46:16Z)
• 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)

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。