論文の概要: Hyper-Fold: Exploring the Expressive Limit of Sequence-Geometry Learning for Proteins via Hypergraph Modeling

• arxiv url: http://arxiv.org/abs/2608.29207v2
• Date: Tue, 01 Sep 2026 05:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 14:14:25.925344
• Title: Hyper-Fold: Exploring the Expressive Limit of Sequence-Geometry Learning for Proteins via Hypergraph Modeling
• Title（参考訳）: Hyper-Fold:ハイパーグラフモデリングによるタンパク質のシーケンス幾何学学習の表現限界を探る
• Authors: Yifan Feng, Guanjie Cheng, Shihui Ying, Shaoyi Du, Yue Gao,
• Abstract要約: コンテント幾何学的外積に対する完全双線型作用素、すなわち2階の相互作用の十分統計は、表現的天井であることを示す。 次に、メッセージパッシングコストで天井に近づく、ランク-K分離可能な畳み込みバックボーンであるHyper-Foldを紹介します。
• 参考スコア（独自算出の注目度）: 55.36837305276515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein structure modeling rests on a single computational primitive: the interaction between what a residue is (sequence content) and where it sits (three-dimensional geometry). What is the expressive limit of this layer class? We show that the complete bilinear operator over content-geometry outer products--the sufficient statistic of all second-order interactions--is the expressive ceiling, while the additive message passing of mainstream geometric GNNs is provably blind to content-geometry binding. We then introduce Hyper-Fold, a rank-K separable convolutional backbone approaching this ceiling at message-passing cost: each radius neighborhood is organized into a sequence hyperedge and a contact hyperedge, modulated by an edge-conditioned matrix-valued operator factorized into K learned basis operators with geometry-generated coefficients. Across enzyme function prediction, fold classification, and ligand binding site detection, Hyper-Fold and its hierarchical variant Hyper-Fold-Deep achieve the best results among protein-specific structure encoders; Hyper-Fold-Pocket, an anchored set-prediction head, surpasses UniSite-3D on UniSite-DS and two zero-shot benchmarks with no sequence language model features, 68x fewer parameters, and 4.8x lower latency--suggesting that a sufficiently expressive 3D backbone recovers information that fusion architectures previously borrowed from evolution-scale pretraining.
• Abstract（参考訳）: タンパク質構造モデリングは、残基が何であるか(シーケンス内容)とどこにあるのか(三次元幾何学)の相互作用という、単一の計算プリミティブに基づいている。 このレイヤクラスの表現力の限界は何ですか? 主観的幾何学的GNNの付加的メッセージパッシングは、コンテント幾何学的外部積よりも完全な双線形作用素、つまり、すべての2階相互作用の十分な統計量、が表現的天井であることを示し、一方、主観的幾何学的GNNの付加的メッセージパッシングは、コンテント幾何学的結合に対して確実に盲であることを示す。 それぞれの半径近傍はシーケンスハイパーエッジとコンタクトハイパーエッジに組織され、エッジ条件付き行列値演算子によって変調され、幾何生成係数を持つ学習基底演算子に分解される。 Hyper-Fold-PocketはUniSite-DS上でUniSite-3Dを上回り、シーケンス言語モデルの特徴を持たない2つのゼロショットベンチマーク、68倍のパラメータ、そして4.8倍のレイテンシー-suggesting that enough expressive 3D backbones previously borrowed from evolution-scale pretraining。

関連論文リスト

• Contrastive Multi-Modal Hypergraph Reasoning for 3D Crowd Mesh Recovery [12.116457701406047]
  実世界のインタラクション分析において,多人数の3D再構成が重要である。 現在のアプローチは、本質的に幾何学的なガイダンスが欠如している単一モダリティ入力に依存している。 コントラスト型マルチモーダルハイパーグラフ推論により, 群集再建のための意味的, 幾何学的, ポーズ的手がかりの相乗化を行う。
  論文  参考訳（メタデータ） (2026-04-01T09:39:01Z)
• Protein Structure Tokenization via Geometric Byte Pair Encoding [36.39587248348813]
  原理的タンパク質構造プロテタイザ(PST)であるGeoBPEを紹介する。 GeoBPEは、連続的でノイズの多いマルチスケールのバックボーンコンフォメーションを、大域的な制約を課しながら、幾何学の離散文'に変換する。 圧縮(類似の歪み率で1ビットあたり10倍の圧縮)、データ効率(10倍のトレーニングデータ)、一般化を提供する。
  論文  参考訳（メタデータ） (2025-11-13T22:53:29Z)
• Consistent line clustering using geometric hypergraphs [0.6749750044497732]
  ユークリッド空間において3ユニフォームハイパーグラフを用いて線をグループ化する方法を示す。 古典的ブロックモデルとは対照的に、この構成における潜在幾何学的制約はハイパーエッジ間の重要な依存関係をもたらす。 付加雑音のある平面上の交差線から発生するデータの正確かつほぼ正確に回復するための情報理論しきい値を導出する。
  論文  参考訳（メタデータ） (2025-05-30T17:59:17Z)
• EquiCPI: SE(3)-Equivariant Geometric Deep Learning for Structure-Aware Prediction of Compound-Protein Interactions [0.0]
  EquiCPIは、SE(3)-同変ニューラルネットワークによる第一原理構造モデリングを相乗化する、エンドツーエンドの幾何学的深層学習フレームワークである。 中心となるEquiCPIは、原子点雲を渡るSE(3)-同変のメッセージを使用し、回転、翻訳、反射の下で対称性を保つ。 提案モデルはBindingDB(親和性予測)とDUD-E(仮想スクリーニング)で評価され、EquiCPIのパフォーマンスは最先端のディープラーニング競合と同等かそれ以上である。
  論文  参考訳（メタデータ） (2025-04-07T00:57:08Z)
• Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
  GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。 また,GA-Planeは既存の表現にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:21:58Z)
• Tensorized Hypergraph Neural Networks [69.65385474777031]
  我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-06-05T03:26:06Z)
• Data Topology-Dependent Upper Bounds of Neural Network Widths [52.58441144171022]
  まず、3層ニューラルネットワークがコンパクトな集合上のインジケータ関数を近似するように設計可能であることを示す。 その後、これは単純複体へと拡張され、その位相構造に基づいて幅の上界が導かれる。 トポロジカルアプローチを用いて3層ReLUネットワークの普遍近似特性を証明した。
  論文  参考訳（メタデータ） (2023-05-25T14:17:15Z)
• Tensor Representations for Action Recognition [54.710267354274194]
  シーケンスにおける人間の行動は、空間的特徴とその時間的ダイナミクスの複雑な相互作用によって特徴づけられる。 アクション認識タスクの視覚的特徴間の高次関係を捉えるための新しいテンソル表現を提案する。 我々は,高次テンソルといわゆる固有値パワー正規化(NEP)を用いて,高次事象のスペクトル検出を行う。
  論文  参考訳（メタデータ） (2020-12-28T17:27:18Z)

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。