論文の概要: DCFold: Efficient Protein Structure Generation with Single Forward Pass

• arxiv url: http://arxiv.org/abs/2605.17899v1
• Date: Mon, 18 May 2026 06:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.907331
• Title: DCFold: Efficient Protein Structure Generation with Single Forward Pass
• Title（参考訳）: DCFold:シングルフォワードパスによる効率的なタンパク質構造生成
• Authors: Zhe Zhang, Yuanning Feng, Yuxuan Song, Keyue Qiu, Hao Zhou, Wei-Ying Ma,
• Abstract要約: そこで我々は,AlphaFold3レベルの精度を実現する単一ステップ生成モデルDCFoldを提案する。 新たな時間測地マッチング(TGM)スケジューラを組み込んだデュアル一貫性トレーニングフレームワークにより,DCFoldは推論の15倍の高速化を実現することができる。
• 参考スコア（独自算出の注目度）: 21.891664351023223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AlphaFold3 introduces a diffusion-based architecture that elevates protein structure prediction to all-atom resolution with improved accuracy. This state-of-the-art performance has established AlphaFold3 as a foundation model for diverse generation and design tasks. However, its iterative design substantially increases inference time, limiting practical deployment in downstream settings such as virtual screening and protein design. We propose DCFold, a single-step generative model that attains AlphaFold3-level accuracy. Our Dual Consistency training framework, which incorporates a novel Temporal Geodesic Matching (TGM) scheduler, enables DCFold to achieve a 15x acceleration in inference while maintaining predictive fidelity. We validate its effectiveness across both structure prediction and binder design benchmarks.
• Abstract（参考訳）: AlphaFold3は、タンパク質構造予測を精度良く全原子分解能に高める拡散ベースのアーキテクチャを導入している。 この最先端のパフォーマンスは、さまざまな生成および設計タスクの基礎モデルとしてAlphaFold3を確立した。 しかし、反復設計により推論時間が大幅に増加し、仮想スクリーニングやタンパク質設計のような下流設定での実際の展開が制限される。 そこで我々は,AlphaFold3レベルの精度を実現する単一ステップ生成モデルDCFoldを提案する。 新たな時間ジオデシックマッチング(TGM)スケジューラを組み込んだデュアル一貫性トレーニングフレームワークにより,DCFoldは予測忠実性を維持しつつ,推論の15倍の高速化を実現することができる。 構造予測とバインダー設計ベンチマークの両方で有効性を検証する。

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)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• SaDiT: Efficient Protein Backbone Design via Latent Structural Tokenization and Diffusion Transformers [50.18388227899971]
  本稿では,SaProt TokenizationとDiffusion Transformer (DiT)アーキテクチャを統合することで,タンパク質のバックボーン生成を促進する新しいフレームワークであるSaDiTを提案する。 実験により、SaDiTはRFDiffusionやProteinaといった最先端モデルよりも計算速度と構造的生存性が優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-06T13:50:13Z)
• Triangle Multiplication Is All You Need For Biomolecular Structure Representations [56.26342479807906]
  Pairmixerは三角形の注意をなくし、高階の幾何学的推論能力を保っている。 Pairmixerは計算効率を大幅に改善し、折りたたみおよびドッキングベンチマーク間の最先端構造予測器をマッチングする。 例えば、BoltzDesign内では、Pairmixerは2倍以上高速なサンプリングと、Pairformerのメモリ限界よりも30%長いシーケンスへのスケールを提供する。
  論文  参考訳（メタデータ） (2025-10-21T17:59:02Z)
• ProteinAE: Protein Diffusion Autoencoders for Structure Encoding [64.77182442408254]
  本稿では,新規かつ合理化されたタンパク質拡散オートエンコーダであるProteinAEを紹介する。 プロテインAEは、タンパク質のバックボーン座標を直接E(3)から連続的でコンパクトな潜在空間にマッピングする。 本研究では,既存のオートエンコーダよりも優れた,最先端の再構築品質を実現することを実証する。
  論文  参考訳（メタデータ） (2025-10-12T14:30:32Z)
• FLOWR.root: A flow matching based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction [5.216915896877018]
  FLOWR:rootは、ポケット対応の3Dリガンド生成のための均質なフローマッチングモデルである。 デ・ノボ生成、薬局補充条件サンプリング、フラグメント・エラボレーション、親和性予測をサポートする。
  論文  参考訳（メタデータ） (2025-10-02T21:38:26Z)
• A Model-Centric Review of Deep Learning for Protein Design [0.0]
  ディープラーニングはタンパク質設計を変換し、正確な構造予測、シーケンス最適化、de novoタンパク質生成を可能にした。 ProtGPT2、ProteinMPNN、RFdiffusionなどの生成モデルは、自然進化に基づく制限を超えてシーケンスとバックボーンの設計を可能にした。 最近では、ESM3を含む共同シーケンス構造共設計モデルが両方のモダリティを統一されたフレームワークに統合し、設計性が向上した。
  論文  参考訳（メタデータ） (2025-02-26T14:31:21Z)
• AlphaFold Distillation for Protein Design [25.190210443632825]
  逆タンパク質の折りたたみはバイオエンジニアリングと薬物発見に不可欠である。 AlphaFoldのような前方の折りたたみモデルは、シーケンスから構造を正確に予測することで潜在的な解決策を提供する。 本稿では, 折り畳みモデルの信頼性測定値に対する知識蒸留を用いて, より高速かつエンドツーエンドの識別可能な蒸留モデルを作成することを提案する。
  論文  参考訳（メタデータ） (2022-10-05T19:43:06Z)

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。