論文の概要: Probing and steering biology across Boltz-1s trunk-diffusion boundary
- arxiv url: http://arxiv.org/abs/2608.11475v1
- Date: Tue, 11 Aug 2026 22:25:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.396414
- Title: Probing and steering biology across Boltz-1s trunk-diffusion boundary
- Title（参考訳）: Boltz-1sトランク拡散境界における探索と操舵生物学
- Abstract要約: 我々は、線形プローブ、スパースオートエンコーダ、因果介入を用いて、Pairformer trunkおよびBoltz-1の拡散モジュールからの残基当たりの活性化を分析する。
訓練されたトランクおよび拡散SAE,Boltz-1/residueアクティベーションおよび解析コードをリリースする。
- 参考スコア（独自算出の注目度）: 32.505127447635864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AlphaFold3-class structure predictors pair a representational trunk, which processes sequence and context, with a diffusion module, which generates atomic coordinates. How biological information changes as it crosses this architectural boundary remains poorly understood. We analyze per-residue activations from the Pairformer trunk and diffusion module of Boltz-1 using linear probes, sparse autoencoders (SAEs), and causal interventions. From the trunk, both geometry (secondary structure, disorder) and sequence chemistry (amino-acid identity, signal peptides, disulfide-bond annotations) are linearly decodable. In the diffusion module, the two diverge. Secondary structure transfers essentially unchanged, whereas sequence chemistry is strongly attenuated. We then test whether decodable directions can steer the model, intervening on the final trunk single representation that conditions the diffusion module. Helix and coil directions change predicted structure dose-dependently against matched-norm random controls, but a beta-strand direction that is highly predictive (F1 =0.82) produces no measurable increase in strand content: linear decodability does not imply causal influence at the site we tested. The same probes also score markedly lower against sparse SwissProt annotations than against dense DSSP labels, because unannotated residues that the model gets right are charged as false positives; such scores are therefore lower bounds. Finally, supervised probes outscore single SAE features wherever a label already exists. We release the trained trunk and diffusion SAEs, Boltz-1 per-residue activations, and the analysis code.
- Abstract（参考訳）: AlphaFold3クラスの構造予測器は、シーケンスとコンテキストを処理する表現トランクと、原子座標を生成する拡散モジュールをペアにしている。
生物学的な情報は、このアーキテクチャの境界を越えてどのように変化するかは、いまだに理解されていない。
我々は、線形プローブ、スパースオートエンコーダ(SAE)、因果介入を用いて、Pairformer trunkおよびBoltz-1の拡散モジュールからの残基当たりの活性化を分析した。
トランクからは、幾何学(二次構造、障害)とシーケンス化学(アミノ酸同一性、シグナルペプチド、ジスルフィド結合アノテーション)の両方が線形に分解可能である。
拡散加群では、この2つが分岐する。
二次構造は基本的に変化しないが、配列化学は強く減衰する。
次に、拡散モジュールを条件とした最後のトランク単一表現に介入して、デオード可能な方向がモデルを操れるかどうかをテストする。
ヘリックスおよびコイル方向は、一致したノームランダム制御に対して線量依存的に予測構造を変化させるが、高い予測性 (F1 =0.82) を持つβ-ストランド方向はストランド量の測定不可能な増加をもたらす。
同じプローブは、厳密なDSSPラベルよりも希薄なSwissProtアノテーションに対して著しく低いスコアである。
最後に、教師付きプローブはラベルがすでに存在する場所において単一のSAE機能より優れている。
訓練されたトランクおよび拡散SAE,Boltz-1/residueアクティベーションおよび解析コードをリリースする。
関連論文リスト
- Schrödinger Bridges on Lie Group Manifolds for Probabilistic Intrinsic Generation [8.18074374709342]
G x g における状態 X_t = (g_t, xi_t) を持つリー群多様体上の運動力学のシュロディンガーブリッジについて検討する。
エントロピー・プロジェクションは 観測されていない終点速度の 条件法則を決定する
複数のリー群多様体データセットの実験により,提案手法の有効性と一貫性が検証された。
論文 参考訳（メタデータ） (2026-09-02T07:01:21Z) - Is Convergence Inevitable? Tracing Output Homogeneity Back to Base Models [49.46165710676499]
最初のアライメント段階から意味収束が観察される。
我々は収束を明らかにし増幅することができるが、SFTデータでは導入されないことを発見した。
その結果,LMトレーニングの根底にある目的から,意味収束が自然に生じる可能性が示唆された。
論文 参考訳（メタデータ） (2026-08-11T20:47:06Z) - Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。
スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
論文 参考訳（メタデータ） (2026-08-10T19:42:01Z) - scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。
scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。
scHelixは最先端のメソッドより優れています。
論文 参考訳（メタデータ） (2026-05-18T15:55:13Z) - Operator Spectroscopy of Trained Lattice Samplers [0.0]
訓練されたフィールド空間関数自体を解析する。
適合前に固定された演算子ベースにこれらの関数を投影する。
作用素基底はモデルと対称性に依存しているが、テストは一般的である。
論文 参考訳（メタデータ） (2026-05-11T20:06:15Z) - Measuring and Decomposing Mode Separation via the Canonical Diffusion [0.0]
モード分離は密度の基本的な幾何学的性質であり、高次元での定量化が難しい。
密度に固有の1つのプロセスを通してモード分離を測定する。
i)合成ガウス混合物,(ii)SDXLテキスト・トゥ・イメージ世代,(ii)SSAとDAがエントロピーとPCAミスを捉えた構造,(iii)アラニンジペプチドの分子動力学,(iii)DAは静的サンプルから既知の遅いバックボーンを回収する。
論文 参考訳（メタデータ） (2026-05-09T08:05:55Z) - Learning Stable Predictors from Weak Supervision under Distribution Shift [2.8410059035029955]
基盤トラストラベルが利用できない場合には、弱さやプロキシの監視から学ぶことが一般的である。
我々はこれを監督ドリフトとして形式化し、文脈間でのP(y | x, c)の変化として定義される。
我々はCRISPR-Cas13d実験において、RNA-seq応答から誘導効果を間接的に推定する実験を行った。
論文 参考訳（メタデータ） (2026-04-05T23:46:49Z) - Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。
我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。
本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-11-17T08:27:13Z) - 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) - Diffusion-Jump GNNs: Homophiliation via Learnable Metric Filters [10.357474047610172]
高次グラフニューラルネットワーク(HO-GNN)は、ヘテロ親水系において一貫した潜伏空間を推論するために開発された。
ホモフィル化(英: Homophiliation)、すなわち、ヘテロフィル的状態における断片的に滑らかな潜在空間を学習する過程は、ディリクレ問題として定式化される。
論文 参考訳（メタデータ） (2023-06-29T14:31:07Z)
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。