論文の概要: Neural Stochastic Forecasting for Lateral Molecular Diffusion Simulations

• arxiv url: http://arxiv.org/abs/2611.06157v2
• Date: Thu, 05 Nov 2026 04:53:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.403777
• Title: Neural Stochastic Forecasting for Lateral Molecular Diffusion Simulations
• Title（参考訳）: 側方分子拡散シミュレーションのためのニューラル確率予測
• Abstract要約: 粗い粒状軌道から膜タンパク質の集合拡散を予測するニューラルネットワーク(NS)モデルを提案する。 7つのPIEZOチャネルと7つのPIEZOチャネルと10個のTREKチャネルを含む混合系からなる2つの膜系でモデルを評価する。
• 参考スコア（独自算出の注目度）: 0.36944296923226316
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting the long-time diffusion of membrane proteins is challenging because molecular dynamics (MD) simulations are computationally expensive, while experimental single-particle tracking is often limited by finite observation times. Here, we introduce a neural stochastic (NS) model for forecasting the collective diffusion of membrane proteins from coarse-grained MD trajectories. The model combines a transformer-based representation of protein configurations, recurrent networks operating at multiple temporal scales, and a stochastic latent process with learned memory. A cross-attention decoder then generates correlated protein displacements while accounting for the instantaneous system geometry and periodic boundary conditions. We evaluate the model in two membrane systems: seven interacting PIEZO channels and a mixed system containing seven PIEZO and ten TREK channels. For the seven PIEZO system, the NS model reproduces the anomalous diffusion exponent measured in MD simulations $α\sim 1$, substantially improving on a previously developed variational autoregressive model that exhibits superdiffusive behavior. The model also generates trajectories extending to 40,000 frames and captures the distinct diffusion characteristics of PIEZO and TREK populations in the mixed system. Comparisons of time-averaged mean-square displacements, Van Hove displacement distributions, and non-Gaussian parameters show that the model preserves key statistical features of the simulated dynamics. These results establish neural stochastic modeling as a promising approach for generating long trajectories of multi-protein membrane diffusion and extending the statistical analysis of molecular dynamics simulations.
• Abstract（参考訳）: 分子動力学(MD)シミュレーションは計算コストが高く、実験的な単一粒子追跡は有限観測時間で制限されることが多いため、膜タンパク質の長期拡散を予測することは困難である。 本稿では、粗粒MD軌道から膜タンパク質の集合拡散を予測する神経確率モデルを提案する。 このモデルは、タンパク質構成のトランスフォーマーに基づく表現、複数の時間スケールで動作する再帰的ネットワーク、学習メモリによる確率的潜在プロセスを組み合わせたものである。 その後、クロスアテンションデコーダは、瞬時系形状と周期境界条件を考慮した相関したタンパク質変位を生成する。 7つのPIEZOチャネルと7つのPIEZOチャネルと10個のTREKチャネルを含む混合系である。 7つのPIEZO系に対して、NSモデルはMDシミュレーションで測定された異常拡散指数を$α\sim 1$で再現する。 また, 混合系におけるPIEZOとTREKの拡散特性を, 4万フレームに拡張した軌道も生成する。 平均平均二乗変位, ヴァン・ホーブ変位分布, 非ガウスパラメータの比較により, シミュレーション力学の重要な統計的特徴を保存できることが示唆された。 これらの結果は、多膜膜拡散の長い軌跡を発生させ、分子動力学シミュレーションの統計解析を拡張するための有望なアプローチとして、神経確率モデリングを確立している。

関連論文リスト

• Weighted Stochastic Differential Equation to Implement Wasserstein-Fisher-Rao Gradient Flow [0.0]
  有望な作業のラインは、情報幾何学から、大量再重み付け機構を備えた拡散に基づくサンプル装置の拡張まで、ツールを活用する。 本研究は,WFRに基づくサンプリング力学の予備的かつ厳密な研究であり,今後の発展の基礎となる理論構造を明らかにすることを目的としている。
  論文  参考訳（メタデータ） (2025-12-19T18:31:27Z)
• Diffusion models for multivariate subsurface generation and efficient probabilistic inversion [0.0]
  拡散モデルは、深い生成モデリングタスクのための安定したトレーニングと最先端のパフォーマンスを提供する。 本稿では拡散モデルに固有のノイズ汚染を考慮した近似法を提案する。 統計的ロバスト性は有意に向上し, 後部確率密度関数のサンプリングが向上した。
  論文  参考訳（メタデータ） (2025-07-21T17:10:16Z)
• Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
  本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
  論文  参考訳（メタデータ） (2025-06-20T16:38:29Z)
• Fine-Tuning Discrete Diffusion Models via Reward Optimization with Applications to DNA and Protein Design [56.957070405026194]
  拡散モデルにより生成された軌道全体を通して報酬の直接バックプロパゲーションを可能にするアルゴリズムを提案する。 DRAKESは自然に似ており、高い報酬をもたらすシーケンスを生成することができる。
  論文  参考訳（メタデータ） (2024-10-17T15:10:13Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)

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。