An Iterative Framework for Generative Backmapping of Coarse Grained Proteins

要約

特にタンパク質などの複雑なシステムに適用される場合、粗粒（CG）から細粒（FG）表現までのデータ駆動型バックマッピングの手法は、精度、不安定なトレーニング、および物理的リアリズムに苦労することがよくあります。
この作業では、このような大規模な生体分子に関連する課題に取り組むために特別に設計された条件付き変分自動エンコーダーとグラフベースのニューラルネットワークを使用して、新しい反復フレームワークを紹介します。
私たちの方法により、CGビーズから完全な原子的詳細への段階的な改良性が可能になります。
反復的な生成バックマッピングの理論を概説し、数値実験を介して、非常に粗い表現を持つ非常に異なる構造のタンパク質にそれらを適用することにより、多段階スキームの利点を実証します。
この多段階アプローチは、再構成の精度を改善するだけでなく、トレーニングプロセスを超CG表現を持つタンパク質に対してより計算上効率的にします。

要約(オリジナル)

The techniques of data-driven backmapping from coarse-grained (CG) to fine-grained (FG) representation often struggle with accuracy, unstable training, and physical realism, especially when applied to complex systems such as proteins. In this work, we introduce a novel iterative framework by using conditional Variational Autoencoders and graph-based neural networks, specifically designed to tackle the challenges associated with such large-scale biomolecules. Our method enables stepwise refinement from CG beads to full atomistic details. We outline the theory of iterative generative backmapping and demonstrate via numerical experiments the advantages of multistep schemes by applying them to proteins of vastly different structures with very coarse representations. This multistep approach not only improves the accuracy of reconstructions but also makes the training process more computationally efficient for proteins with ultra-CG representations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google