Paper List
-
Evolutionarily Stable Stackelberg Equilibrium
通过要求追随者策略对突变入侵具有鲁棒性，弥合了斯塔克尔伯格领导力模型与演化稳定性之间的鸿沟。
-
Recovering Sparse Neural Connectivity from Partial Measurements: A Covariance-Based Approach with Granger-Causality Refinement
通过跨多个实验会话累积协方差统计，实现从部分记录到完整神经连接性的重建。
-
Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics
ATMOS通过提供一个基于SSM的高效框架，用于生物分子的原子级轨迹生成，弥合了计算昂贵的MD模拟与时间受限的深度生成模型之间的差距。
-
Slow evolution towards generalism in a model of variable dietary range
通过证明是种群统计噪声（而非确定性动力学）驱动了模式形成和泛化食性的演化，解决了间接竞争下物种形成的悖论。
-
Grounded Multimodal Retrieval-Augmented Drafting of Radiology Impressions Using Case-Based Similarity Search
通过将印象草稿基于检索到的历史病例，并采用明确引用和基于置信度的拒绝机制，解决放射学报告生成中的幻觉问题。
-
Unified Policy–Value Decomposition for Rapid Adaptation
通过双线性分解在策略和价值函数之间共享低维目标嵌入，实现对新颖任务的零样本适应。
-
Mathematical Modeling of Cancer–Bacterial Therapy: Analysis and Numerical Simulation via Physics-Informed Neural Networks
提供了一个严格的、无网格的PINN框架，用于模拟和分析细菌癌症疗法中复杂的、空间异质的相互作用。
-
Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift
通过从无标记分子谱中学习可迁移表征，利用最少的临床数据实现患者药物反应的有效预测。
基于状态空间模型的生物分子动力学原子轨迹建模
Unknown
30秒速读
IN SHORT: ATMOS通过提供一个基于SSM的高效框架，用于生物分子的原子级轨迹生成，弥合了计算昂贵的MD模拟与时间受限的深度生成模型之间的差距。
核心创新
- Methodology First unified generative framework for simulating dynamics of biomolecules, generalizing from monomeric proteins to complex biomolecular systems.
- Methodology Models dynamics at the fully atomic level by operating directly on atomic coordinates during both encoding and decoding phases, preserving detailed geometric contexts.
- Methodology Innovatively adapts State Space Models to trajectory generation, enabling capture of long-range temporal dependencies with linear computational complexity.
主要结论
- ATMOS在大规模MD数据集（mdCATH和MISATO）上，在生成蛋白质单体和复杂蛋白质-配体系统的构象轨迹方面达到了最先进的性能。
- 该框架在推断过程中每步具有线性计算复杂度O(1)，与标准注意力机制的二次复杂度相比，能够高效生成长时间范围的轨迹。
- 通过将静态结构先验与动态轨迹生成相结合，ATMOS将静态结构预测扩展到动力学领域，为动力学基础模型铺平了道路。
摘要: 理解生物分子的动态行为对于阐明生物功能和促进药物发现至关重要。虽然分子动力学（MD）模拟为研究这些动力学提供了严格的物理基础，但对于长时间尺度而言，其计算成本仍然很高。相反，最近的深度生成模型加速了构象生成，但通常要么无法建模时间关系，要么仅针对单体蛋白质构建。为了弥合这一差距，我们引入了ATMOS，一种基于状态空间模型（SSM）的新型生成框架，旨在为生物分子系统生成原子级的MD轨迹。ATMOS集成了基于Pairformer的状态转移机制以捕获长程时间依赖性，以及一个基于扩散的模块以自回归方式解码轨迹帧。ATMOS在PDB的晶体结构和大规模MD模拟数据集（包括mdCATH和MISATO）的构象轨迹上进行训练。我们证明ATMOS在生成蛋白质单体和复杂蛋白质-配体系统的构象轨迹方面达到了最先进的性能。通过实现对原子运动轨迹的高效推断，这项工作为建模生物分子动力学奠定了有前景的基础。