Efficient Generation of Protein and Protein–Protein Complex Dynamics via SE(3)-Parameterized Diffusion Models
Notice bibliographique
Résumé
Protein and protein-protein complex conformations play a critical role in biological functions, while exploring these via traditional molecular dynamics (MD) simulation is computationally expensive. Enhanced sampling methods offer improvements but remain limited by vast conformational spaces. Recently, advances in generative deep learning have provided new avenues for protein conformational sampling. To address this challenge, we propose protein trajectory diffusion (PTraj-Diff), a geometric diffusion framework designed for generating protein and protein-protein complex trajectories. PTraj-Diff simulates protein dynamics through a denoising process that iteratively reconstructs stable conformations from random noise. By parametrizing protein structures using residue-level SE(3) transformations, the model effectively captures geometric constraints and structural relationships inherent in natural proteins while introducing tensor product attention to reduce computational overhead and lower requirements for data and hardware resources. Simultaneously, we integrate a power Bert Encoder to achieve precise long-range temporal dependency. Experimental results demonstrate that PTraj-Diff efficiently explores the conformational trajectories of protein monomers and protein-protein complexes. Moreover, it is compatible with diverse conformations generated by AlphaFold3, enabling the prediction of high-quality trajectories. As deep generative modeling continues to integrate with MD simulations, this emerging approach is poised to become a powerful tool for investigating protein conformational dynamics and elucidating biological functions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».