論文の概要: Scalable Peptide Design via Memory-Efficient Equivariant Transformer

• arxiv url: http://arxiv.org/abs/2606.25006v1
• Date: Tue, 23 Jun 2026 17:25:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.090883
• Title: Scalable Peptide Design via Memory-Efficient Equivariant Transformer
• Title（参考訳）: メモリ効率等価変圧器によるスケーラブルペプチド設計
• Authors: Rui Jiao, Xiangzhe Kong, Yinjun Jia, Yijia Zhang, Ziyi Yang, Yang Liu, Jianzhu Ma,
• Abstract要約: スケーラブルな原子性ペプチドモデリングのためのE(3)同変バックボーンMEETを紹介する。 フル原子ペプチド生成のためのVAEおよび潜伏拡散パイプラインに統合される。 大規模AFDB派生データセットの実験は、提案したバックボーンが体系的なモデルとデータスケーリングをサポートすることを示している。
• 参考スコア（独自算出の注目度）: 44.385833887269456
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Target-specific peptide design requires sequence and structure co-design under full atom geometric constraints. Latent generative frameworks offer an effective route for this problem by compressing fine grained atomic structures into block level latent representations and performing conditional generation in a compact latent space. However, the scalability of such systems depends heavily on the geometric backbone used throughout their encoding, decoding, and denoising components. We introduce MEET (Memory Efficient Equivariant Transformer), an E(3) equivariant backbone for scalable atomistic peptide modeling. MEET maintains coupled invariant scalar and equivariant vector feature streams, while reformulating geometric computation around memory efficient attention. It initializes vector features through global coordinate aggregation, incorporates pairwise distances through augmented query and key dot products, and injects covalent bond information through sparse bond adaptation. Integrated into a VAE and latent diffusion pipeline for full atom peptide generation, \model{} achieves linear memory scaling with atom count and improves generation quality over existing peptide design methods. Experiments on large scale AFDB derived datasets further show that the proposed backbone supports systematic model and data scaling, leading to better binding affinity, physical validity, and sample diversity.
• Abstract（参考訳）: ターゲット特異的ペプチドの設計には、全原子の幾何学的制約の下で配列と構造を共設計する必要がある。 遅延生成フレームワークは、微細な原子構造をブロックレベルの潜在表現に圧縮し、コンパクトな潜在空間で条件付き生成を行うことにより、この問題に効果的な経路を提供する。 しかし、そのようなシステムのスケーラビリティは、その符号化、復号化、および復号化において使用される幾何学的バックボーンに大きく依存する。 スケーラブルな原子性ペプチドモデリングのためのE(3)不変バックボーンであるMEET(Memory Efficient Equivariant Transformer)を紹介する。 MEETは、メモリ効率のよい注意に関する幾何計算を再構成しながら、不変スカラーと等変ベクトルの特徴ストリームの結合を維持している。 大域的な座標アグリゲーションを通じてベクトル特徴を初期化し、拡張クエリやキードット生成物を通じてペアの距離を取り込み、疎結合適応を通じて共有結合情報を注入する。 フルアトムペプチド生成のためのVAEおよび潜時拡散パイプラインに統合された \model{} は、アトムカウントによる線形メモリスケーリングを実現し、既存のペプチド設計手法よりも生成品質を向上させる。 大規模AFDB派生データセットの実験は、提案されたバックボーンが体系的なモデルとデータスケーリングをサポートし、バインド親和性、物理的妥当性、サンプルの多様性が向上することを示している。

関連論文リスト

• 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)
• Geometrically Constrained and Token-Based Probabilistic Spatial Transformers [5.437226012505534]
  我々は、トランスフォーマーベースのビジョンパイプラインの標準化ツールとして、空間トランスフォーマーネットワーク(STN)を再考する。 本稿では、堅牢性を向上させる確率的、コンポーネントワイドな拡張を提案する。 本手法が他のSTNと比較して頑健さを常に向上することを示す。
  論文  参考訳（メタデータ） (2025-09-14T11:30:53Z)
• Sampling 3D Molecular Conformers with Diffusion Transformers [13.536503487456622]
  拡散変換器 (DiT) は生成モデルにおいて高い性能を示した。 分子へのDiTの適用は、離散的な分子グラフ情報と連続した3次元幾何学の統合など、新しい課題をもたらす。 モジュールアーキテクチャを通じてこれらの課題に対処するために,DiTを適応させるフレームワークであるDiTMCを提案する。
  論文  参考訳（メタデータ） (2025-06-18T11:47:59Z)
• Geometry-Informed Neural Operator Transformer [0.8906214436849201]
  この研究は、Geometry-Informed Neural Operator Transformer (GINOT)を導入し、トランスフォーマーアーキテクチャとニューラルオペレータフレームワークを統合し、任意のジオメトリの前方予測を可能にする。 GINOTの性能は複数の挑戦的なデータセットで検証され、複雑で任意の2Dおよび3Dジオメトリに対して高い精度と強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2025-04-28T03:39:27Z)
• 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)
• CoarsenConf: Equivariant Coarsening with Aggregated Attention for Molecular Conformer Generation [3.31521245002301]
  本稿では, 反角に基づく分子グラフをSE(3)等価な階層的変分オートエンコーダに統合するCoarsenConfを紹介する。 等変粗粒化により、回転可能な結合を介して連結された部分グラフの微細な原子座標を集約し、可変長粗粒化潜在表現を生成する。 本モデルでは, 粗粒の潜在表現から細粒度座標を復元する新しいアグリゲートアテンション機構を用いて, 正確なコンフォメータを効率よく生成する。
  論文  参考訳（メタデータ） (2023-06-26T17:02:54Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)

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。