論文の概要: DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics

• arxiv url: http://arxiv.org/abs/2608.10435v1
• Date: Tue, 11 Aug 2026 03:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.891293
• Title: DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics
• Title（参考訳）: DynaPPI:AIによるタンパク質間相互作用の進歩のための大規模動的タンパク質データセット
• Abstract要約: 分子動力学(MD)に基づく動的タンパク質データセットDynaPPIについて検討した。 このデータセットから得られる拡散モデルは、既知の錯体の動的結合軌跡を明示的に学習し、その多様な生成特性に基づいて未知の錯体の構造を正確に予測することができる。
• 参考スコア（独自算出の注目度）: 25.369285689319852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have been widely explored in protein backbone generation due to their powerful generation capabilities.However, in today's AI-driven biological research, predicting the structure of unknown multi-chain protein aggregates (called "complexes" in biology) remains an unsolved challenge.This is because existing static or dynamic protein datasets focus solely on static snapshots or single-entity trajectories, neglecting the dynamic process of multiple monomers forming complexes.To alleviate this dilemma, we present DynaPPI, a dynamic protein dataset comprising molecular dynamics (MD) trajectories of protein complex formation from dissociated chains to the bound state, as a pivotal resource to bridge the gap between static structural biology and the inherently temporal nature of dynamic molecular interactions.Benefiting from this dataset, diffusion models can explicitly learn the dynamic binding trajectories of known complexes and accurately predict the structures of unknown complexes based on their diverse generative properties, thereby further catalyzing AI-driven structural biology and protein interactomics.
• Abstract（参考訳）: 拡散モデルは、その強力な生成能力によってタンパク質のバックボーン生成において広く研究されている。しかし、今日のAI駆動の生物学的研究において、未知の多鎖タンパク質集合体(生物学では「複雑」と呼ばれる)の構造を予測することは未解決の課題である。これは、既存の静的または動的タンパク質データセットが静的スナップショットまたは単一エンゲージ性軌道のみに焦点を当て、複数のモノマー形成複合体の動的プロセスを無視しているためである。このジレンマを緩和するために、DynaPPIは、分子動力学(MD)から結合状態へのタンパク質複合体形成の軌跡を、静的構造生物学と本質的に時間的相互作用のギャップを橋渡しする中心的な資源として、タンパク質の動的相互作用をモデル化する。このモデルから、このモデルの拡散は、未知の構造的相互作用の動的結合を正確に予測し、その構造的構造的構造的特性に基づいて、その構造的相互作用を正確に予測することができる。

関連論文リスト

• From Snapshots to Symphonies: The Evolution of Protein Prediction from Static Structures to Generative Dynamics and Multimodal Interactions [0.8880611506199769]
  レビューでは、5つの相互接続された次元にわたるAI駆動タンパク質科学のパラダイムシフトを体系的に検証している。 データ分散バイアス、機械的解釈可能性の制限、幾何学的メトリクスと生物物理学的現実の切り離しなど、現在のボトルネックを批判的に分析する。 この手法は、人工知能が構造解析ツールから普遍的なシミュレータへ移行し、生命の動的言語を理解し、最終的に書き換えることができることを示す。
  論文  参考訳（メタデータ） (2026-03-19T05:25:17Z)
• TEMPO: Temporal Multi-scale Autoregressive Generation of Protein Conformational Ensembles [8.6867067594535]
  本稿では,タンパク質の動的モデリングのための新しい階層的自己回帰フレームワークを提案する。 最先端の生成モデルを用いて高レベルの生物物理原理をブリッジすることにより,タンパク質の動態をシミュレーションするための効率的な枠組みを提供する。
  論文  参考訳（メタデータ） (2025-10-24T13:11:47Z)
• Simultaneous Modeling of Protein Conformation and Dynamics via Autoregression [45.49904590474368]
  ConfRoverは自己回帰モデルであり、MD軌道からタンパク質のコンホメーションとダイナミクスを同時に学習する。 時間に依存しないサンプリングと時間に依存しないサンプリングの両方をサポートする。 大規模タンパク質MDデータセットであるATLASの実験は、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2025-05-23T05:00:15Z)
• An All-Atom Generative Model for Designing Protein Complexes [65.06317264153175]
  APM(All-Atom Protein Generative Model)は、マルチチェーンタンパク質をモデル化するためのモデルである。 鎖間相互作用を正確にモデル化し、結合能力を持つタンパク質複合体をゼロから設計することができる。 また、多鎖タンパク質の折りたたみおよび逆折りのタスクも行う。
  論文  参考訳（メタデータ） (2025-04-17T16:37:41Z)
• Agentic End-to-End De Novo Protein Design for Tailored Dynamics Using a Language Diffusion Model [0.5678271181959529]
  VibeGenは、ノーマルモードの振動を条件としたエンド・ツー・エンドのデ・ノボタンパク質の設計を可能にする、ジェネレーティブなAIフレームワークである。 我々の研究は、タンパク質のダイナミクスを生成タンパク質の設計に統合し、配列と振動の振舞いの直接的な双方向リンクを確立する。
  論文  参考訳（メタデータ） (2025-02-14T14:07:54Z)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• ProtSCAPE: Mapping the landscape of protein conformations in molecular dynamics [3.6181745062052495]
  我々は,新しい深層学習アーキテクチャ,タンパク質トランスフォーマー,散乱,注意,位置埋め込み(ProtSCAPE)を導入する。 ProtSCAPEは、幾何学的散乱変換のマルチスケールの性質を利用して、グラフとして概念化されたタンパク質構造から特徴を抽出する。 これらの特徴を、残基やアミノ酸シグナルに焦点をあてた二重の注意構造と統合し、タンパク質軌道の潜在的な表現を生成する。
  論文  参考訳（メタデータ） (2024-10-27T02:59:48Z)
• Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
  新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。 本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
  論文  参考訳（メタデータ） (2024-03-21T02:44:08Z)
• 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)

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。