論文の概要: Few-step Cofolding with All-Atom Flow Maps

• arxiv url: http://arxiv.org/abs/2606.08375v1
• Date: Sun, 07 Jun 2026 00:06:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.070642
• Title: Few-step Cofolding with All-Atom Flow Maps
• Title（参考訳）: 全原子フローマップによる数ステップの折り畳み
• Authors: Gianluca Scarpellini, Ron Shprints, Peter Holderrieth, Juno Nam, Pranav Murugan, Rafael Gómez-Bombarelli, Tommi Jaakola, Maruan Al-Shedivat, Nicholas Matthew Boffi, Avishek Joey Bose,
• Abstract要約: Denoiser Cofolding All-Atom Flowmap (DeCAF) 我々は,SE(3)剛性アライメントを自然に支持するエンドポイント損失を伴うデノイザに基づくフローマップの定式化に基づいてDeCAFを構築した。 本稿では,報酬誘導探索によるサンプリングを改善するための,目的付き推論時間フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.124878986088738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: All-atom generative modeling of 3D biomolecular complexes has emerged as the dominant paradigm for predicting the structure of proteins and protein-ligand systems. Generating structures at the atomic level of fidelity, however, typically requires expensive iterative diffusion rollouts, making both conventional deployment and inference-time search techniques computationally costly. In this paper, we introduce the Denoiser Cofolding All-Atom Flowmap (DeCAF) framework for distilling state-of-the-art all-atom cofolding models into all-atom flow maps that produce high-quality samples in only a few inference steps. We build DeCAF on a denoiser-based formulation of flow maps with endpoint losses that naturally support SE(3) rigid alignment, which we show is critical for training accurate models. We further derive a simple change of variables that lets DeCAF operate in the σ-space noise schedule of EDM-style architectures, enabling direct distillation from pretrained cofolding diffusion models. Equipped with DeCAF's flowmap lookahead, we introduce a purpose-built inference-time framework that improves sampling through reward-guided search. Empirically, DeCAF-Boltz statistically improves over Boltz-1x in both accuracy (RMSD) and physical validity scores of protein-ligand poses at strict NFE budgets on the challenging Runs N' Poses, while also showing a more optimal Pareto frontier across all inference compute budgets on PoseBusters. Distilling the state-of-the-art Pearl cofolding model, DeCAF-Pearl outperforms diffusion-based cofolding models and matches its teacher on success rate while using 5x fewer NFEs. We release our code at https://github.com/genesistherapeutics/decaf.
• Abstract（参考訳）: 3次元生体分子複合体の全ての原子生成モデルが、タンパク質とタンパク質-リガンド系の構造を予測する主要なパラダイムとして登場した。 しかし、原子レベルの忠実度で構造を生成するには、通常、高価な反復拡散ロールアウトを必要とし、従来の展開と推論時間検索の両方を計算的にコストがかかる。 本稿では,Denoiser Cofolding All-Atom Flowmap (DeCAF) フレームワークについて紹介する。 我々は,SE(3)剛性アライメントを自然にサポートするエンドポイント損失を持つフローマップのデノイザに基づく定式化に基づいてDeCAFを構築した。 さらに、DECAFをEMMスタイルのアーキテクチャのσ空間ノイズスケジュールで動作させ、事前学習された共役拡散モデルからの直接蒸留を可能にする変数の簡単な変更を導出する。 DeCAFのフローマップ・ルックアヘッドを組み、報酬誘導探索によるサンプリングを改善するための推論時フレームワークを導入する。 実証的に、DeCAF-ボルツはボルツ-1xの精度(RMSD)とタンパク質リガンドの物理的妥当性のスコアの両方を統計的に改善し、厳しいN' Posesに厳しいNFE予算を課し、PoseBustersの全ての推論計算予算に対してより最適なParetoフロンティアを示す。 DeCAF-Pearlは、最先端のパールコンフォールディングモデルを蒸留し、拡散ベースのコンフォールディングモデルより優れ、5倍少ないNFEを使用しながら、その成功率で教師にマッチする。 コードについてはhttps://github.com/genesistherapeutics/decaf.comで公開しています。

関連論文リスト

• Fine-Tuning Diffusion Models for Molecular Generation via Reinforcement Learning and Fast Sampling [22.66917124518062]
  既存の生成的アプローチは、サンプリング中にコストのかかるポストホック処理に依存したり、トレーニング中に慎重にキュレートされたデータセットを必要とする場合が多い。 構造制約下での拡散型分子生成に適した強化学習ファインチューニングフレームワークであるFTDiffを提案する。 FTDiffは、コストのかかるポストホック最適化や複雑なデータエンジニアリングを必要とせず、従来手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-31T13:11:48Z)
• DCFold: Efficient Protein Structure Generation with Single Forward Pass [21.891664351023223]
  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。
  論文  参考訳（メタデータ） (2026-05-18T06:05:56Z)
• Diff-ES: Stage-wise Structural Diffusion Pruning via Evolutionary Search [40.67449277026597]
  textbfDiff-ESは、textbfEvolutionary textbfSearchを介して、段階的に構造化されたtextbfDiff-usion プルーニングフレームワークである。 筆者らのフレームワークは, 奥行きと幅幅を含む拡散モデルに対して, 既存の構造化プルーニング手法と自然に統合されている。 DiTとSDXLの実験により、Diff-ESは連続的にウォールクロックの高速化を実現し、生成品質の低下を最小限に抑えていることが示された。
  論文  参考訳（メタデータ） (2026-03-05T12:18:40Z)
• VEDA: 3D Molecular Generation via Variance-Exploding Diffusion with Annealing [4.288647933894182]
  VEDAは分散拡散とアニーリングを組み合わせて3D構造を生成するフレームワークである。 QM9とGEOM-DRUGSデータセットでは、VEDAはフローベースモデルのサンプリング効率と一致する。 VEDAの生成した構造は、緩和エネルギーによって測定されるように、驚くほど安定である。
  論文  参考訳（メタデータ） (2025-11-11T05:45:37Z)
• Score Distillation of Flow Matching Models [67.86066177182046]
  我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。 SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。 これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-09-29T17:45:48Z)
• Acc3D: Accelerating Single Image to 3D Diffusion Models via Edge Consistency Guided Score Distillation [49.202383675543466]
  本稿では,単一画像から3次元モデルを生成する拡散過程の高速化に取り組むために,Acc3Dを提案する。 数段階の推論によって高品質な再構成を導出するため,ランダムノイズ状態におけるスコア関数の学習を規則化する上で重要な課題を強調した。
  論文  参考訳（メタデータ） (2025-03-20T09:18:10Z)
• Memory-Efficient Fine-Tuning for Quantized Diffusion Model [12.875837358532422]
  本稿では,量子化拡散モデルのためのメモリ効率の良い微調整手法であるTuneQDMを紹介する。 提案手法は, 単目的/多目的の両方の世代において, ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-01-09T03:42:08Z)
• Adaptive Training Meets Progressive Scaling: Elevating Efficiency in Diffusion Models [52.1809084559048]
  TDCトレーニングと呼ばれる新しい2段階分割型トレーニング戦略を提案する。 タスクの類似性と難易度に基づいてタイムステップをグループ化し、高度にカスタマイズされた復調モデルを各グループに割り当て、拡散モデルの性能を向上させる。 2段階のトレーニングでは、各モデルを個別にトレーニングする必要がなくなるが、総トレーニングコストは、単一の統合されたデノナイジングモデルをトレーニングするよりもさらに低い。
  論文  参考訳（メタデータ） (2023-12-20T03:32:58Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)

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。