論文の概要: Transferable Implicit Solvent Machine Learning Potential for Drugs and Proteins Approaching Ab Initio Accuracy

• arxiv url: http://arxiv.org/abs/2607.10887v1
• Date: Sun, 12 Jul 2026 19:29:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.560171
• Title: Transferable Implicit Solvent Machine Learning Potential for Drugs and Proteins Approaching Ab Initio Accuracy
• Title（参考訳）: アブイニシアチブの精度に迫る薬物・タンパク質のトランスファーブルインシシシト溶媒機械学習の可能性
• Abstract要約: 入射溶媒モデリングは古典的な力場よりも桁違い遅い。 本稿では,Equi Graph Neural Networkによって完全にパラメータ化された暗黙の水であるTransferable Water Implicit Network (WIN)を紹介する。 WINは、従来の機械学習ベースの暗黙の溶媒や粗い粒度のモデルよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning interatomic potentials (MLPs) have revolutionized atomistic modeling, offering the potential to replace traditional methods like Density Functional Theory (DFT). However, inference time of MLPs is orders of magnitude slower than that of classical force fields, hindering real-world applications for biomolecular systems that require timescales of microseconds and beyond. Implicit solvent MLPs can address this issue, but are faced with data challenges associated with coarse-grained modeling. Consequently, previous approaches relied on empirical force field data, thereby inherently limiting the MLP's accuracy. Here, we introduce the Transferable Water Implicit Network (TWIN), an implicit water MLP parametrized entirely by an Equivariant Graph Neural Network and trained solely on ab initio and experimental labels. We demonstrate TWIN's transferability across drug-like molecules, peptides, and proteins, achieving excellent results on ab initio and experimental crystallographic and NMR benchmarks, consistently outperforming previous machine-learning-based implicit solvent or coarse-grained models. Furthermore, TWIN closely matches DFT-based explicit solvent MLPs while providing a two-order-of-magnitude faster timestep evaluation, paving the way for efficient ab initio-level modeling of biomolecular systems in aqueous environments.
• Abstract（参考訳）: 機械学習の原子間ポテンシャル(MLP)は原子モデルに革命をもたらし、密度汎関数理論(DFT)のような従来の手法を置き換える可能性を提供している。 しかし、MLPの推論時間は古典的な力場よりも桁違い遅く、マイクロ秒以上の時間スケールを必要とする生体分子系への現実の応用を妨げる。 入射溶媒MLPはこの問題に対処できるが、粗粒度モデリングに関連するデータ課題に直面している。 その結果、従来のアプローチは経験的力場データに依存していたため、MDPの精度は本質的に制限された。 本稿では、Equivariant Graph Neural Networkによって完全にパラメータ化され、ab initioとexperimental labelのみにトレーニングされた暗黙の水MLPであるTransferable Water Implicit Network(TWIN)を紹介する。 薬物様分子,ペプチド,タンパク質間のTWINの伝達性を示し,ab initioおよび実験結晶学およびNMRベンチマークにおいて優れた結果が得られ,従来の機械学習に基づく暗黙の溶媒や粗い粒度のモデルよりも一貫して優れていた。 さらに、TWINは、DFTをベースとした露光溶剤MLPと密に一致し、2次高速な時間ステップ評価を提供し、水環境下での生体分子系の効率的な初期レベルモデリングの道を開く。

関連論文リスト

• Extending machine learning model for implicit solvation to free energy calculations [37.65679407817425]
  我々は、Lambda Solvation Neural Network(LSNN)と呼ばれるグラフニューラルネットワーク(GNN)に基づく暗黙の溶媒モデルを導入する。 LSNNは、明解アルケミカルシミュレーションに匹敵する精度で自由エネルギー予測を行う。
  論文  参考訳（メタデータ） (2025-10-23T01:05:44Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• Self-Refining Training for Amortized Density Functional Theory [5.5541132320126945]
  そこで本稿では,自己修復学習戦略を導入することにより,大規模な事前コンパイルデータセットに対するアモータイズDFTソルバの依存性を低減する手法を提案する。 本手法は, 生成試料と基底状態エネルギーで定義される対象ボルツマン分布との差分を測定するKL偏差の変動上界の最小化として導出する。
  論文  参考訳（メタデータ） (2025-06-02T00:32:32Z)
• Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials [34.82692226532414]
  機械学習の原子間ポテンシャル(MLIP)を改善するためのアンサンブル知識蒸留法(EKD)を提案する。 まず、複数の教師モデルはQCエネルギーに訓練され、次にデータセットのすべての構成に対して原子力を生成する。次に、学生MLIPは、教師モデルによって生成されたQCエネルギーと平均的な力の両方に訓練される。 得られた学生MLIPは、Compum6ベンチマークで新しい最先端の精度を達成し、分子動力学シミュレーションの安定性の向上を示す。
  論文  参考訳（メタデータ） (2025-03-18T14:32:51Z)
• Hydrogen under Pressure as a Benchmark for Machine-Learning Interatomic Potentials [0.0]
  機械学習原子間ポテンシャル(MLPs)は、原子系のポテンシャルエネルギー表面の高速でデータ駆動の代理モデルである。 圧力下での水素中の液体-液体相転移の性能を自動的に定量するベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-09-20T10:44:40Z)
• Predicting solvation free energies with an implicit solvent machine learning potential [0.0]
  本稿では,小さな有機分子に対する暗黙の溶媒MLポテンシャルをパラメータ化するために,Solvation Free Energy Path Reweighting (ReSolv) フレームワークを導入する。 トップダウン(実験的な水和自由エネルギーデータ)とボトムアップ(真空中の分子の初期データ)の学習の組み合わせにより、ReSolvは明示的なバルク溶媒中の分子の難解なアブ初期データの必要性を回避した。 明示的な溶媒MLポテンシャルと比較して、ReSolvは4桁の計算スピードアップを提供し、実験と密接に一致している。
  論文  参考訳（メタデータ） (2024-05-31T20:28:08Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Overcoming the Barrier of Orbital-Free Density Functional Theory for Molecular Systems Using Deep Learning [46.08497356503155]
  軌道自由密度汎関数理論(英: Orbital-free density functional theory、OFDFT)は、Kohn-Sham DFTよりも低コストでスケールできる量子化学の定式化である。 本稿では、深層学習関数モデルを用いて分子システムを解くことができるOFFTアプローチであるM-OFDFTを提案する。
  論文  参考訳（メタデータ） (2023-09-28T16:33:36Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
  密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。 機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。 本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
  論文  参考訳（メタデータ） (2022-07-20T15:29:45Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)

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。