論文の概要: Graph Learning on Ensembles of Cyclic Peptides: An Investigation of Molecular Ensemble Modeling

• arxiv url: http://arxiv.org/abs/2607.21561v1
• Date: Thu, 23 Jul 2026 17:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.508096
• Title: Graph Learning on Ensembles of Cyclic Peptides: An Investigation of Molecular Ensemble Modeling
• Title（参考訳）: 環状ペプチドのアンサンブルにおけるグラフ学習 : 分子エンサンブルモデリングの研究
• Abstract要約: 分子アンサンブル基盤モデルであるEnsembleEGNNを導入し,まず各コンストラクタを共用した等価グラフネットワーク層でエンサンブルを符号化する。 我々は、マスク付きトークンの回収、雑音の多いニューラル再構成、対角距離再構成を併用したマルチタスクの自己組織化目標を用いて、サイクリックペプチドアンサンブルデータセットであるCREMP上でモデルを事前訓練する。 EnsembleEGNNがBERTシーケンスエンコーダとエンドツーエンドでトレーニングされている場合、ハイブリッドモデルはさらに$R2=.538$とPearson $r=.737$に改善される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular property prediction from structure often uses a single representative conformation, even though many molecules exist as conformational ensembles in solution. We introduce EnsembleEGNN, a molecular ensemble foundation model that encodes an ensemble by first encoding each conformer with shared Equivariant Graph Neural Network (EGNN) layers, then pooling the resulting conformer representations with a Set Attention Block. We pretrain the model on CREMP, a cyclic peptide ensemble dataset, using a multi-task self-supervised objective combining masked token recovery, noisy-coordinate reconstruction, and pairwise distance reconstruction. On the CREMP-CycPeptMPDB dataset, training EnsembleEGNN from scratch fails entirely ($R^2=0.005$). However, the pretrained model reaches $R^2=0.477$ and Pearson $r=0.699$, outperforming the sequence-only BERT baseline ($R^2=0.439$, Pearson $r=0.667$). When EnsembleEGNN is co-trained end-to-end with the BERT sequence encoder, the hybrid model improves further to $R^2=0.538$ and Pearson $r=0.737$. These results demonstrate that encoding conformational ensembles into a single thermodynamically informed embedding improves cyclic-peptide property prediction.
• Abstract（参考訳）: 構造からの分子特性予測は、溶液中の多くの分子がコンフォメーションアンサンブルとして存在するにもかかわらず、単一の代表コンフォメーションを用いることが多い。 分子アンサンブル基礎モデルであるEnsembleEGNNを導入し,まず,各コンストラクタを共有Equivariant Graph Neural Network(EGNN)層でエンコードし,その結果のコンストラクタ表現をSet Attention Blockでプールすることで,アンサンブルを符号化する。 我々は、マスク付きトークンの回収、ノイズ調整、相互距離再構成を併用したマルチタスクの自己組織化目標を用いて、サイクリックペプチドアンサンブルデータセットであるCREMP上でモデルを事前訓練する。 CREMP-CycPeptMPDBデータセットでは、ゼロからEnsembleEGNNをトレーニングするのは完全に失敗する(R^2=0.005$)。 しかし、事前訓練されたモデルは$R^2=0.477$、ピアソン$r=0.699$に達し、シーケンスのみのBERTベースライン(R^2=0.439$、ピアソン$r=0.667$)を上回っている。 EnsembleEGNNがBERTシーケンスエンコーダとエンドツーエンドでトレーニングされている場合、ハイブリッドモデルはさらに$R^2=0.538$とPearson $r=0.737$に改善される。 これらの結果から, コンフォメーションアンサンブルを単一熱力学的に誘導された埋め込みに符号化することで, 環状ペプチド特性の予測が向上することが示唆された。

関連論文リスト

• Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。 標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。 トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
  論文  参考訳（メタデータ） (2026-04-14T09:48:46Z)
• MolFM-Lite: Multi-Modal Molecular Property Prediction with Conformer Ensemble Attention and Cross-Modal Fusion [0.0]
  MolFM-LiteはSELFIESAUC配列(1D)、分子グラフ(2D)、コンホメーラーアンサンブル(3D)を符号化するマルチモーダルモデルである。 本手法の主な貢献は,(1)学習可能な注意を複数のRDKit生成コンバータ上でボルツマン先行と組み合わせたコンバータアンサンブルアテンション機構,(2)各モーダルが他のコンバータに共役できる相互融合層である。
  論文  参考訳（メタデータ） (2026-02-25T20:59:14Z)
• Benchmarking GNN Models on Molecular Regression Tasks with CKA-Based Representation Analysis [0.8594140167290097]
  分子は一般にSMILES文字列として表現され、固定サイズの分子指紋に容易に変換できる。 これらの指紋は、分子特性予測タスクのためのML/DLモデルを訓練するための特徴ベクトルとして機能する。 GNNは、固定サイズの指紋に依存するのではなく、分子内の固有の構造的関係を学習する。
  論文  参考訳（メタデータ） (2026-02-24T05:53:24Z)
• Rate optimal learning of equilibria from data [63.14746189846806]
  マルチエージェント・イミテーション・ラーニング(MAIL)における理論的ギャップは,非対話的MAILの限界を特徴づけ,ほぼ最適なサンプル複雑性を持つ最初の対話的アルゴリズムを提示することによって解決する。 インタラクティブな設定では、報酬のない強化学習と対話型MAILを組み合わせたフレームワークを導入し、それをMAIL-WARMというアルゴリズムでインスタンス化する。 我々は,我々の理論を裏付ける数値的な結果を提供し,グリッドワールドのような環境において,行動クローンが学習に失敗する状況を示す。
  論文  参考訳（メタデータ） (2025-10-10T12:28:35Z)
• $C^2M^3$: Cycle-Consistent Multi-Model Merging [27.845750236662575]
  本稿では,重み空間にニューラルネットワークをマージする新しいデータフリー手法を提案する。 我々は、$N geq 3$モデルを統合する際に、置換のサイクル一貫性を強制する。
  論文  参考訳（メタデータ） (2024-05-28T07:18:45Z)
• Heterogenous Ensemble of Models for Molecular Property Prediction [55.91865861896012]
  分子の異なるモーダル性を考える手法を提案する。 これらのモデルをHuberRegressorでアンサンブルします。 これにより、OGB Large-Scale Challenge (2022)の2textsuperscriptndエディションの勝利のソリューションが得られる。
  論文  参考訳（メタデータ） (2022-11-20T17:25:26Z)
• Ensembling and Knowledge Distilling of Large Sequence Taggers for Grammatical Error Correction [0.0]
  大規模構成における最先端トランスフォーマーを用いたエンコーダのアンサンブルに着目し, GEC シーケンスタグアーキテクチャの改善について検討する。 私たちの最高のアンサンブルはBEA 2019でF_0.5$スコア76.05という新しいSOTA結果を達成する(テスト)。 さらに、訓練アンサンブルを用いて知識蒸留を行い、新しい合成訓練データセット「Troy-Blogs」と「Troy-1BW」を生成する。
  論文  参考訳（メタデータ） (2022-03-24T13:18:36Z)
• DASHA: Distributed Nonconvex Optimization with Communication Compression, Optimal Oracle Complexity, and No Client Synchronization [77.34726150561087]
  我々は,分散最適化問題に対する新しい手法であるDASHAを開発し,解析する。 MARINAとは異なり、新しいDASHAとDASHA-MVRは圧縮ベクターのみを送信し、ノードを同期しないため、学習をより実用的なものにしている。
  論文  参考訳（メタデータ） (2022-02-02T20:10:40Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• Supervised deep learning prediction of the formation enthalpy of the full set of configurations in complex phases: the $\sigma-$phase as an example [1.8369974607582582]
  固体化学におけるいくつかの特性の予測に機械学習をどのように利用できるかを示す。 特に、与えられた複雑な結晶相の形成熱を予測するのに使用できる。
  論文  参考訳（メタデータ） (2020-11-21T22:07:15Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)
• Model-Based Reinforcement Learning with Value-Targeted Regression [48.92439657407732]
  我々は、遷移モデル $P$ が既知のモデルの族 $mathcalP$ に属する有限水平エピソード RL に焦点を当てる。 線形混合の特別な場合において、後悔束は $tildemathcalO(dsqrtH3T)$ という形を取る。
  論文  参考訳（メタデータ） (2020-06-01T17:47:53Z)

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。