論文の概要: Neural spectroscopy of AlphaFold2 reveals encoded protein conformational landscapes
- arxiv url: http://arxiv.org/abs/2607.16087v1
- Date: Fri, 17 Jul 2026 16:18:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.898199
- Title: Neural spectroscopy of AlphaFold2 reveals encoded protein conformational landscapes
- Title（参考訳）: AlphaFold2の神経分光は、コード化されたタンパク質のコンフォメーション・ランドスケープを明らかにする
- Abstract要約: 我々は,AlphaFold2の9300万のパラメータを直接探索し,特徴付けることができることを示す。
トレーニングされたモデルは、物理的に構造化されたコンフォメーションランドスケープを生成する。
我々は、それらを読むアプローチをニューラル・スペクトロスコピーと呼び、スケールド・ガウス・コンボリューション(Scaled Gaussian Convolution)はそのようなプロトコルである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AlphaFold2's 93 million parameters, shaped by the evolutionary record of protein structure encoded in the Protein Data Bank and in sequence alignments, are conventionally treated only as machinery for converting sequence to structure. We propose they are also a scientific object that can be analyzed directly: a learned encoding of protein conformational organization that can be probed and characterized. By smoothing the Evoformer's weight tensors with a Gaussian convolution and scaling the result, we show that the trained model produces physically structured conformational landscapes. Under perturbation, ubiquitin's native contacts break in the order established by decades of folding experiments. For KaiB, five independently trained models agree that the alternative fold is not recovered under perturbation. For alpha-synuclein, five models produce five different but coherent landscapes, mapping where the training signal has determined the representation and where it has not. Matched-power noise controls confirm that random corruption of equal magnitude produces debris, not conformations. The model learned to predict static structures; the conformational organization visible under perturbation was not an explicit training target, suggesting it emerged as a byproduct of that objective. AlphaFold2's weights appear to encode structural constraints, shaped by evolutionary and structural training data, that extend beyond what unperturbed inference reveals. We call the approach of reading them neural spectroscopy, and Scaled Gaussian Convolution one such protocol.
- Abstract（参考訳）: AlphaFold2の9300万のパラメータは、タンパク質データバンクにコードされたタンパク質構造と配列アライメントの進化記録によって形成され、伝統的に配列を構造に変換する機械としてのみ扱われる。
タンパク質のコンフォメーション構造を解析し,解析し,解析し,解析することができる科学的対象も提案する。
エボフォーマーの重みテンソルをガウスの畳み込みで滑らかにし、その結果をスケールすることにより、トレーニングされたモデルが物理的に構造化されたコンフォメーションランドスケープを生成することを示す。
摂動下では、ユビキチンのネイティブコンタクトは数十年にわたる折り畳み実験によって確立された順序で壊れる。
KaiBでは、5つの独立に訓練されたモデルが、摂動下で代替の折り畳みが回収されないことに同意している。
アルファ-シヌクレインでは、5つのモデルが5つの異なるが一貫性のある風景を生成し、トレーニング信号が表現をどこで決定し、どこに表現していないかをマッピングする。
一致したパワーノイズ制御は、等等級のランダムな破損は、整合ではなく、破片を発生させることを確認した。
モデルは静的構造を予測することを学習し、摂動下で見えるコンフォメーション組織は明示的な訓練対象ではなく、その目的の副産物として現れたことを示唆した。
AlphaFold2の重みは、進化的および構造的トレーニングデータによって形成された構造的制約を符号化しているように見える。
我々は、それらを読むアプローチをニューラル・スペクトロスコピーと呼び、スケールド・ガウス・コンボリューション(Scaled Gaussian Convolution)はそのようなプロトコルである。
関連論文リスト
- ZeroFold: Protein-RNA Binding Affinity Predictions from Pre-Structural Embeddings [7.1857665261026575]
タンパク質-RNA結合親和性の正確な予測は、構造生物学において未解決の問題である。
ここでは, 既設の埋設物を抽出することにより, この障害に対処できることを示す。
我々はZeroFoldというトランスフォーマーをベースとしたモデルを構築し、Boltz-2からタンパク質とRNA分子の両方に組み込む。
論文 参考訳（メタデータ） (2026-03-24T15:14:44Z) - 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) - Protein Autoregressive Modeling via Multiscale Structure Generation [51.92004892768298]
タンパク質自己回帰モデリング(PAR)は,タンパク質のバックボーン生成のための最初のマルチスケール自己回帰フレームワークである。
ノイズの多いコンテキスト学習とスケジュールサンプリングを採用し、堅牢なバックボーン生成を実現している。
非条件生成ベンチマークでは、PARはタンパク質の分布を効果的に学習し、高い設計品質のバックボーンを生成する。
論文 参考訳（メタデータ） (2026-02-04T18:59:49Z) - Protein Folding with Neural Ordinary Differential Equations [9.980631693646528]
本稿では,48個の離散ブロックを,コアアテンションに基づく操作を保存したニューラルODEパラメータ化に置き換えたEvoformerの連続的な深度定式化を提案する。
The Neural ODE-based Evoformer produced structurely plausible predictions and securely captures certain secondary structure element, such as Alpha-helices。
私たちのモデルは、単一のGPUで17.5時間トレーニングしただけで、劇的に少ないリソースでこのパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2025-10-17T22:56:03Z) - Learning the Language of Protein Structure [8.364087723533537]
本稿では,タンパク質構造を離散表現に効果的にトークン化するベクトル量子化オートエンコーダを用いたアプローチを提案する。
学習した表現の有効性を示すために、コードブック上でトレーニングされた単純なGPTモデルにより、新規で多様性があり、設計可能なタンパク質構造を生成することができることを示す。
論文 参考訳（メタデータ） (2024-05-24T16:03:47Z) - EigenFold: Generative Protein Structure Prediction with Diffusion Models [10.24107243529341]
EigenFoldは、特定のタンパク質配列から構造分布をサンプリングする拡散生成モデリングフレームワークである。
最近のCAMEOターゲットでは、EigenFoldは0.84の中央値TMSスコアを達成し、モデルの不確実性のより包括的な画像を提供する。
論文 参考訳（メタデータ） (2023-04-05T02:46:13Z) - Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。
pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。
実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2023-02-03T10:49:52Z) - Protein structure generation via folding diffusion [16.12124223972183]
本稿では,タンパク質のバックボーン構造を設計する拡散モデルを提案する。
ランダムな展開状態から安定な折り畳み構造へデノイングすることで、新しい構造を生成する。
有用な資源として、タンパク質構造拡散のための最初のオープンソースおよび訓練されたモデルをリリースする。
論文 参考訳（メタデータ） (2022-09-30T17:35:53Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳（メタデータ） (2022-09-30T01:46:38Z) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳（メタデータ） (2022-05-20T19:38:00Z) - Learning perturbation sets for robust machine learning [97.6757418136662]
我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。
学習した摂動集合の質を定量的かつ質的に測定する。
我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
論文 参考訳（メタデータ） (2020-07-16T16:39:54Z)
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。