論文の概要: Emyx: Fast and efficient all-atom protein generation

• arxiv url: http://arxiv.org/abs/2606.19377v1
• Date: Fri, 12 Jun 2026 09:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.419056
• Title: Emyx: Fast and efficient all-atom protein generation
• Title（参考訳）: Emyx: 高速かつ効率的な全原子タンパク質生成
• Authors: Nicholas J. Williams, Ward Haddadin, Matteo P. Ferla, Constantin Schneider, Nicholas B. Woodall, Ruby Sedgwick, Christian D. Madsen, Andrew L. Hopkins, Edward O. Pyzer-Knapp,
• Abstract要約: Emyxは標準変圧器ブロック内で容量を集中する条件付きフローマッチングモデルである。 最小のモデルであるにもかかわらず、エミックスはProtena-ComplexaとRFdiffusion3の両方でAME酵素設計ベンチマークに勝っている。
• 参考スコア（独自算出の注目度）: 0.5417521241272645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational enzyme design requires generating proteins that scaffold catalytic residues and ligands, a task that demands both geometric accuracy and structural diversity from the underlying generative model. Current all-atom generators inherit expensive architectures from structure prediction, leading to high training costs and limited sample diversity. We argue that much of this complexity is unnecessary for generators, which condition on sparse geometric constraints rather than rich co-evolutionary signals. Emyx is a 140M-parameter conditional flow matching model that concentrates capacity within standard transformer blocks, replacing heavy embedding stacks with lightweight conditional representations and sparse connectivity. We additionally derive an exact reparametrisation of the flow matching interpolant into the EDM noise-level framework, bridging flow matching training efficiency with state-of-the-art sampling methods designed for diffusion models without retraining. Despite being the smallest model, Emyx outperforms both Proteína-Complexa and RFdiffusion3 against the AME enzyme design benchmark across success rate under strict evaluation requiring both global fold recovery and catalytic geometry accuracy, structural novelty, scaffold diversity, and geometric validity, while training in just $682$ GPU-hours, roughly $4\times$ less than RFdiffusion3.
• Abstract（参考訳）: 計算酵素の設計には、触媒残基とリガンドを足場とするタンパク質を生成する必要がある。 現在の全原子生成装置は、構造予測から高価なアーキテクチャを継承し、高いトレーニングコストと限られたサンプル多様性をもたらす。 このような複雑さの多くは、リッチな共進化的信号ではなく、疎い幾何学的制約を条件とするジェネレータにとって不要である、と我々は主張する。 Emyxは140Mパラメータの条件付きフローマッチングモデルで、標準的なトランスフォーマーブロックにキャパシティを集中させ、重埋め込みスタックを軽量な条件表現と疎結合に置き換える。 さらに,フローマッチング補間剤をEDMノイズレベルフレームワークに正確に再パラメータ化することで,拡散モデルのための最先端サンプリング手法による流マッチング訓練を再現する。 最小のモデルであるにもかかわらず、EmyxはProteína-Complexa(英語版)とRFdiffusion3(英語版)の両方を、大域的な折りたたみ補正と触媒幾何学の精度、構造的ノベルティ、足場多様性、幾何学的妥当性の両方を必要とする厳密な評価の下でAME酵素設計ベンチマークと比較し、わずか682ドルのGPU時間でトレーニングを行い、RFdiffusion3より4ドル安い。

関連論文リスト

• RF-HiT: Rectified Flow Hierarchical Transformer for General Medical Image Segmentation [6.158409051007809]
  本稿では,時間ガラス変換器のバックボーンと,解剖学的に誘導された特徴条件付けのためのマルチスケール階層型エンコーダを一体化したRectified Flow Hierarchical Transformer RF-HiTを提案する。 RF-HiT は ACDC の 91.27%、BraTS 2021 の 87.40% を達成し、より集中的なアーキテクチャに匹敵する性能を達成している。
  論文  参考訳（メタデータ） (2026-04-21T15:24:39Z)
• 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)
• 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)
• 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)
• Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.1572025118388268]
  ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。 極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
  論文  参考訳（メタデータ） (2025-07-02T19:33:57Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)

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。