Sign Gradient Descent Algorithms for Accelerated Kinetostatic Protein Folding in Nanorobotics Design
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Numerical simulations of protein folding enable the design of protein-based nanomachines and nanorobots by predicting folded three-dimensional protein structures with high accuracy and revealing the protein conformation transitions during folding and unfolding. In the kinetostatic compliance method (KCM) for folding simulations, protein molecules are represented as ensembles of rigid nano-linkages connected by chemical bonds, and the folding process is driven by the kinetostatic influence of nonlinear interatomic force fields until the system converges to a free-energy minimum of the protein. Despite its strengths, the conventional KCM framework demands an excessive number of iterations to reach folded protein conformations, with each iteration requiring costly computations of interatomic force fields. To address these limitations, this work introduces a family of sign gradient descent (SGD) algorithms for predicting folded protein structures. Unlike the heuristic-based iterations of the conventional KCM framework, the proposed SGD algorithms rely on the sign of the free-energy gradient to guide the kinetostatic folding process. Owing to their faster and more robust convergence, the proposed SGD-based algorithms reduce the computational burden of interatomic force field evaluations required to reach folded conformations. Their effectiveness is demonstrated through numerical simulations of KCM-based folding of protein backbone chains.
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.
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 découle