論文の概要: SupraTITO: Transferable Generative Molecular Dynamics for Supramolecular Systems

• arxiv url: http://arxiv.org/abs/2610.01381v1
• Date: Thu, 01 Oct 2026 09:46:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.039271
• Title: SupraTITO: Transferable Generative Molecular Dynamics for Supramolecular Systems
• Title（参考訳）: SupraTITO:超分子系のための伝達可能な生成分子動力学
• Abstract要約: SupraTITOは超分子系の生成分子動力学フレームワークである。 ペプチド配列、分子トポロジー、周期幾何学で条件付けられた伝達可能な暗黙の伝達作用素を学習する。 保留配列に一般化し、長いロールアウトの分子的整合性を維持しながら、配列に依存した構造や力学を再現する。
• 参考スコア（独自算出の注目度）: 3.0976474089198174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Peptide sequence governs both the structures formed through supramolecular assembly and the dynamics by which they emerge, but predicting either requires resolving slow collective processes among many interacting molecules. Molecular dynamics (MD) provides microscopic insight into these processes, yet the long timescales of assembly and the vast peptide sequence space make systematic exploration computationally demanding. We introduce SupraTITO, a transferable generative molecular dynamics (GenMD) framework for supramolecular systems, demonstrated through peptide self-assembly. SupraTITO learns transferable implicit transfer operators (TITO) conditioned on peptide sequence, molecular topology, and periodic geometry, allowing configurations to be propagated over physical intervals much longer than an MD integration step. On a comprehensive dipeptide benchmark, SupraTITO generalizes to held-out sequences and reproduces sequence-dependent structures and dynamics while maintaining molecular integrity over long rollouts. Compared with direct ensemble prediction trained on the same trajectory data, SupraTITO more accurately reproduces assembly structures while also resolving their temporal evolution. The learned dynamics generalize across peptide concentrations, including dilute conditions not represented during training. These results extend transferable GenMD to collective dynamics in periodic supramolecular systems and provide a foundation for modeling related processes beyond peptide assembly.
• Abstract（参考訳）: ペプチド配列は、超分子集合によって形成された構造と、それらが出現するダイナミクスの両方を支配しているが、予測には多くの相互作用する分子間の遅い集合過程の解決が必要である。 分子動力学(MD)はこれらの過程の微視的な洞察を提供するが、組立の長い時間スケールと広大なペプチド配列空間は、体系的な探索を計算的に要求する。 上分子系のための転写可能な生成分子動力学(GenMD)フレームワークであるSupraTITOについて,ペプチド自己組換えによる実証を行った。 SupraTITOは、ペプチド配列、分子トポロジー、周期幾何学に条件付けられた伝達可能な暗黙的伝達演算子(TITO)を学習し、MD積分ステップよりもはるかに長い物理間隔で構成を伝播することができる。 包括的ジペプチドベンチマークでは、SupraTITOは保留配列に一般化し、長いロールアウトの分子的整合性を維持しながら、配列に依存した構造とダイナミクスを再現する。 同じ軌道データに基づいて訓練された直接アンサンブル予測と比較して、SupraTITOは時間的進化を解消しつつ、より正確に組立構造を再現する。 学習されたダイナミクスは、トレーニング中に表現されない希薄な条件を含むペプチド濃度を一般化する。 これらの結果は、周期的な超分子系の集団動力学に伝達可能なGenMDを拡張し、ペプチドアセンブリ以外の関連プロセスをモデル化するための基盤を提供する。

関連論文リスト

• Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics [57.2871599860811]
  MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
  論文  参考訳（メタデータ） (2026-04-05T00:37:28Z)
• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• Transferable Generative Models Bridge Femtosecond to Nanosecond Time-Step Molecular Dynamics [3.9508022083907393]
  分子動力学の4桁のサンプリングを高速化する深層生成モデリングフレームワークを提案する。 このアプローチは、化学や生物物理学の中心となるシステムにおいて、コンフォメーションランドスケープ、熱力学、運動学を探索する新たな機会を開く。
  論文  参考訳（メタデータ） (2025-10-08T22:24:45Z)
• UniSim: A Unified Simulator for Time-Coarsened Dynamics of Biomolecules [19.279397111680115]
  我々は、ドメイン間知識を活用して原子間相互作用の理解を深める textbfUnified bfSimulator (UniSim) を提案する。 UniSimは、小さな分子、ペプチド、タンパク質間で高い競争力を発揮する。
  論文  参考訳（メタデータ） (2025-05-20T14:29:06Z)
• Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics [38.53044197103943]
  GF-NODEは、空間周波数分解のためのグラフフーリエ変換と、連続時間進化のためのニューラルODEフレームワークを統合する。 GF-NODEは,拡張シミュレーションよりも重要な幾何学的特徴を保ちながら,最先端の精度を実現する。 これらの結果は,MDシミュレーションの強靭性と予測力を改善するために,連続時間モデルによるスペクトル分解のブリッジ化が期待できることを示す。
  論文  参考訳（メタデータ） (2024-11-03T15:10:48Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
  分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。 いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
  論文  参考訳（メタデータ） (2022-12-20T19:32:30Z)

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。