論文の概要: ADT: All-Atom Diffusion Tokenizer for 3D Molecular Structures

• arxiv url: http://arxiv.org/abs/2610.23265v1
• Date: Fri, 16 Oct 2026 10:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.877014
• Title: ADT: All-Atom Diffusion Tokenizer for 3D Molecular Structures
• Title（参考訳）: ADT:3次元分子構造のための全原子拡散トケナイザ
• Abstract要約: トークンの粒度を再構成分解から分離する全原子拡散トークン化器(ADT)を提案する。 ADTは、小さな分子と全原子構造の両方の高品質な自己回帰生成を可能にしながら、コンパクトな離散表現からの強い再構成を実現する。
• 参考スコア（独自算出の注目度）: 27.242297762002845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discrete structural tokenization provides a promising route to autoregressive 3D molecular generation. Yet, existing tokenizers face a trade-off between compact representation and all-atom reconstruction: atom-level tokens preserve atomic details but produce long sequences, while compact residue-level protein tokens typically omit side-chain geometry. To overcome this limitation, we propose All-atom Diffusion Tokenizer (ADT), which decouples token granularity from reconstruction resolution. ADT uses one structural token per atom for small molecules and one token per protein residue that jointly represents backbone and side-chain geometry. To mitigate geometric distortion introduced by quantization, we leverage the generative capacity of diffusion models to recover fine-grained atomic geometry beyond deterministic decoding from discrete tokens. Extensive experiments across small molecules and proteins demonstrate that ADT achieves strong reconstruction from compact discrete representations while enabling high-quality autoregressive generation of both small molecules and all-atom protein structures. These results establish compact structural tokens as an effective discrete interface for all-atom molecular reconstruction and generation.
• Abstract（参考訳）: 離散構造のトークン化は、自己回帰的な3D分子生成への有望な経路を提供する。 原子レベルのトークンは原子の詳細を保存するが、長いシーケンスを生成するが、コンパクトな残基レベルのタンパク質トークンは典型的には側鎖形状を省略する。 この制限を克服するために、トークンの粒度を再構成分解から切り離すオール原子拡散トークン化器(ADT)を提案する。 ADTは、小さな分子に対して原子ごとに1つの構造トークンを使用し、タンパク質残基ごとに1つのトークンは、バックボーンとサイドチェーンの幾何学を共同で表している。 量子化によって導入された幾何学的歪みを軽減するため、拡散モデルの生成能力を活用し、離散トークンから決定論的デコードを超えた微細な原子幾何を復元する。 小分子とタンパク質の広範囲にわたる実験により、ADTはコンパクトな離散表現から強い再構成を達成し、小分子と全原子タンパク質構造の高品質な自己回帰生成を可能にした。 これらの結果は、全原子分子再構成および生成のための効果的な離散インターフェースとして、コンパクトな構造トークンを確立する。

関連論文リスト

• ProteinAE: Protein Diffusion Autoencoders for Structure Encoding [64.77182442408254]
  本稿では,新規かつ合理化されたタンパク質拡散オートエンコーダであるProteinAEを紹介する。 プロテインAEは、タンパク質のバックボーン座標を直接E(3)から連続的でコンパクトな潜在空間にマッピングする。 本研究では,既存のオートエンコーダよりも優れた,最先端の再構築品質を実現することを実証する。
  論文  参考訳（メタデータ） (2025-10-12T14:30:32Z)
• Autoregressive fragment-based diffusion for pocket-aware ligand design [0.0]
  AutoFragDiffはフラグメントベースの自己回帰拡散モデルであり、ターゲットタンパク質構造に条件付けられた3D構造を生成する。 我々は、分子足場とタンパク質ポケットに固定された新しい分子断片の原子タイプと空間座標を予測するために幾何学的ベクトルパーセプトロンを用いる。
  論文  参考訳（メタデータ） (2023-12-15T04:03:03Z)
• FFF: Fragments-Guided Flexible Fitting for Building Complete Protein Structures [10.682516227941592]
  タンパク質構造予測とタンパク質構造認識を柔軟に組み合わせた新しいFFF法を提案する。 まず、入力された3次元Cryo-EMマップから様々な構造的特徴を捉えるために、マルチレベル認識ネットワークを使用する。 次に、これらの特徴に基づいて擬似ペプチドベクターとタンパク質配列アライメント法を用いてタンパク質構造断片を生成する。
  論文  参考訳（メタデータ） (2023-08-07T15:10:21Z)
• Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot Antibody Designer [58.97153056120193]
  抗体の特異性は、その相補性決定領域(CDR)によって決定される 従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。 本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2023-04-21T13:24:26Z)
• 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)
• Neural Upscaling from Residue-level Protein Structure Networks to Atomistic Structure [2.087827281461409]
  神経のアップスケーリング」は、内在的に混乱したタンパク質の詳細な構造情報を効果的に再カプセル化することができる。 以上の結果から,タンパク質の構造と動態のスケーラブルなネットワークモデルが,原子論的な詳細が望まれる環境で利用される可能性が示唆された。
  論文  参考訳（メタデータ） (2021-08-25T23:43:57Z)
• Generating 3D Molecular Structures Conditional on a Receptor Binding Site with Deep Generative Models [0.0]
  本稿では,3次元分子結合ポケット上に条件付き3次元構造を生成可能な深部生成モデルについて初めて述べる。 基準種子の構造によって定義される変分潜在空間から、有効かつ特異な分子を容易にサンプリングできることが示される。
  論文  参考訳（メタデータ） (2020-10-16T16:27:47Z)

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。