查看“WikiEdge:ArXiv速递/2025-04-25”的源代码
←
WikiEdge:ArXiv速递/2025-04-25
跳转到导航
跳转到搜索
因为以下原因，您没有权限编辑该页面：
您请求的操作仅限属于该用户组的用户执行：
用户
您可以查看和复制此页面的源代码。
== 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：药物-蛋白质解离动力学的增强采样、公共数据集与生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学和[[动态过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程在分子动力学模拟中的高效运行，并估算[[自由能面]]。基于该策略构建的分子动力学模拟程序流程，生成了包含26,612条药物-蛋白质解离轨迹（约1300万帧）的数据集[[DD-13M]]。利用该数据集训练的深度[[等变生成模型]][[UnbindingFlow]]，可生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重大进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：The Evolution of Heavy Ion Abundances with Solar Activity * '''中文标题'''：太阳活动中重离子丰度的演化 * '''发布日期'''：2025-04-25 05:39:20+00:00 * '''作者'''：B. L. Alterman, Y. J. Rivera, S. T. Lepri, J. M. Raines, R. D'Amicis * '''分类'''：astro-ph.SR, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2504.18092v1 '''中文摘要'''：在1[[天文单位]]处观测时，慢速[[太阳风]]通常被认为源自[[磁拓扑结构]]间歇性向[[太阳圈]]开放的源区，而快速[[太阳风]]则被认为源自持续开放的源区（如[[冕洞]]）。[[太阳风氦丰度]]（AHe）随[[太阳活动]]的演化很可能由不同[[太阳风]]源区的演化驱动。基于[[Alterman]]等人（2025）提出的[[元素特征速度]]将[[太阳风]]分为快慢两类后，我们量化了[[氦]]和[[重元素]]丰度$(X/H):(X/H)_\mathrm{photo}$随[[太阳活动]]的演化。研究发现：AHe与[[太阳黑子]]数呈强相关性；快慢[[太阳风]]中平均非瞬态AHe均不超过[[光球层]]值的51%；慢速风[[重元素]]丰度随[[太阳活动]]显著变化而快速风无此特征；比[[氦]]更重[[元素]]的丰度与[[太阳黑子]]数的相关系数随质量增加单调递增；现场观测数据与归一化[[太阳黑子]]数的相关性强度优于未归一化数据。我们推断：[[太阳黑子]]数是标记[[太阳周期]]的时钟而非驱动丰度演化的物理过程；该物理过程很可能与[[色球层]]、[[过渡区]]或[[低日冕]]处加速[[太阳等离子体]]形成[[太阳风]]的可用能量相关；快慢[[太阳风]]丰度演化差异同样与这些高度处[[元素]]加速可用能量相关。 == 摘要 == * '''原文标题'''：Testing a large size triple GEM detector for the first station of the CBM-Muon Chambers with a high-intensity gamma source at GIF++ under large-area illumination * '''中文标题'''：大尺寸三重GEM探测器在GIF++高强伽马源大面积照射下对CBM-μ子室首站的测试 * '''发布日期'''：2025-04-25 15:57:44+00:00 * '''作者'''：Apar Agarwal, Souvik Chattopadhay, Pawan Kumar Sharma, Anand Kumar Dubey, Jogender Saini, Vikas Singhal, Vinod Negi, Ekata Nandy, Chandrasekhar Ghosh, David Emschermann * '''分类'''：hep-ex, physics.ins-det *'''原文链接'''：http://arxiv.org/abs/2504.18445v1 '''中文摘要'''：[[重离子]][[核-核碰撞]]实验的物理研究需要能在高[[粒子通量]]下稳定工作的[[探测器]]。因此，具有极强抗[[辐射]]能力的[[气体电子倍增器]]（[[GEM探测器]]）成为[[德国]][[反质子与离子研究设施]]即将开展的[[压缩重子物质]]（[[CBM实验]]）的首选方案之一。然而，要在这种严苛条件下运行，需在最高入射粒子通量下进行系统性研究。为此，我们在[[欧洲核子研究中心]]升级的[[伽马辐照设施]]（[[GIF++]]）中，使用[[铯-137]][[放射源]]产生的[[高强度]][[伽马通量]]，对真实尺寸的[[三联GEM探测器]]模块进行了全面测试。通过[[自触发]][[电子学]]的[[自由流模式]]（含/不含[[伽马源]]），重点研究了探测器响应——尤其是[[μ子]][[探测]]的[[增益]]与[[效率]]特性。该配置对[[CBM实验]]至关重要，因其将观测[[金-金碰撞]]中约10MHz的创纪录[[事件率]]。分析表明，在[[工作电压]]下随着伽马通量强度增加，增益与效率的实测值与预期值保持一致。测试结果证明，该大尺寸[[GEM探测器]]原型能在约17.25MHz/cm²的高伽马通量下保持性能稳定，且不会造成不可逆损伤。 == 摘要 == * '''原文标题'''：Synchrotron light source focused X-ray detection with LGADs, AC-LGADs and TI-LGADs * '''中文标题'''：基于LGAD、AC-LGAD和TI-LGAD的同步辐射光源聚焦X射线探测 * '''发布日期'''：2025-04-25 18:33:15+00:00 * '''作者'''：A. Molnar, Y. Zhao, S. M. Mazza, G. Oregan, M. Davis, S. Beringer, A. Tiernan, J. Ott, M. Leite, G. Saito, M. Moralles, H. F. -W. Sadrozinski, A. Seiden, B. Schumm, F. McKinney-Martinez, A. Bisht, M. Centis-Vignali, G. Paternoster, M. Boscardin * '''分类'''：physics.ins-det, hep-ex *'''原文链接'''：http://arxiv.org/abs/2504.18638v1 '''中文摘要'''：在[[斯坦福同步辐射光源]]([[SSRL]])上，我们对具有内部增益的薄[[硅探测器]]——[[低增益雪崩二极管]]([[LGAD]])在6-16 [[keV]]能量范围内的[[X射线]]响应特性进行了表征。实验使用[[SSRL]]的7-2光束线，其标称光束尺寸为30 [[μm]]，重复频率为500 [[MHz]]，能量分散ΔE/E为10^-4。测试了来自[[滨松光子学]]([[HPK]])和[[布鲁诺·凯斯勒基金会]]([[FBK]])的不同厚度和增益层配置的多通道[[LGAD]]、[[AC-LGAD]]和[[TI-LGAD]]传感器。传感器信号通过分立元件板读出，并使用快速[[示波器]]或[[CAEN]]快速数字化仪进行数字化处理。测量了器件能量响应、能量分辨率和时间分辨率随[[X射线]]能量和位置的变化关系。通过[[TCAD Sentaurus]]软件模拟了电荷收集和倍增机制，并将模拟结果与实验数据进行了对比。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：药物-蛋白质解离动力学的增强采样、公共数据集与生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学过程的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI]]生成模型的新研究范式。通过设计增强采样策略，我们实现了分子动力学模拟中[[药-蛋白解离过程]]的高效模拟及[[自由能面]]计算，并构建了包含26,612条解离轨迹（约1300万帧）的[[DD-13M数据集]]。基于该数据集训练的等变生成模型[[UnbindingFlow]]可生成无碰撞解离轨迹。[[DD-13M数据库]]与[[UnbindingFlow模型]]标志着[[计算结构生物学]]的重要进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的[[药-蛋白复合物]]体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：The Evolution of Heavy Ion Abundances with Solar Activity * '''中文标题'''：太阳活动中重离子丰度的演化 * '''发布日期'''：2025-04-25 05:39:20+00:00 * '''作者'''：B. L. Alterman, Y. J. Rivera, S. T. Lepri, J. M. Raines, R. D'Amicis * '''分类'''：astro-ph.SR, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2504.18092v1 '''中文摘要'''：在1[[天文单位]]处观测时，慢速[[太阳风]]通常被认为源自[[磁拓扑结构]]间歇性向[[太阳风层]]开放的源区，而快速太阳风则被认为源自持续开放的源区（如[[冕洞]]）。[[太阳风氦丰度]]（AHe）随[[太阳活动]]的演化很可能由不同太阳风源区的演化驱动。基于Alterman等人（2025）提出的[[元素特征速度]]将太阳风分为快慢两类后，我们量化了[[氦]]和[[重元素]]丰度$(X/H):(X/H)_\mathrm{photo}$随太阳活动的演化规律。研究发现：AHe与[[太阳黑子]]数呈强相关性；快慢太阳风中平均非瞬态AHe均不超过[[光球层]]值的51%；慢速太阳风重元素丰度显著随太阳活动变化而快速太阳风则无此特征；比氦更重元素的丰度与太阳黑子数的[[相关系数]]随质量增加单调递增；[[原位观测]]数据与归一化太阳黑子数的相关性强度高于未归一化数据。我们推断：太阳黑子数是标记[[太阳周期]]的时钟而非驱动丰度演化的物理过程；该物理过程很可能与[[色球层]]、[[过渡区]]或[[低日冕]]处加速[[太阳等离子体]]至太阳风的可用能量相关；快慢太阳风丰度演化差异同样与这些高度处元素加速可用能量相关。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集与药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学预测的工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI]]生成模型的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程的高效模拟及[[自由能面]]计算，并构建了包含26,612条解离轨迹（约1300万帧）的[[DD-13M]]数据集。基于该数据集训练的等变生成模型[[UnbindingFlow]]可生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重要进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合体系，并探索[[路径预测]]等新应用场景。 == 摘要 == * '''原文标题'''：The Evolution of Heavy Ion Abundances with Solar Activity * '''中文标题'''：太阳活动中重离子丰度的演化 * '''发布日期'''：2025-04-25 05:39:20+00:00 * '''作者'''：B. L. Alterman, Y. J. Rivera, S. T. Lepri, J. M. Raines, R. D'Amicis * '''分类'''：astro-ph.SR, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2504.18092v1 '''中文摘要'''：在1[[天文单位]]处观测时，慢速[[太阳风]]通常被认为源自[[磁拓扑]]间歇性开放至[[日球层]]的源区，而快速[[太阳风]]则被认为源自持续开放的区域（如[[冕洞]]）。[[太阳风]][[氦]][[丰度]]（AHe）随[[太阳活动]]的演化很可能由不同[[太阳风]]源区的演化驱动。基于Alterman等人（2025）提出的[[元素]][[特征速度]]将[[太阳风]]分为快慢两类后，我们量化了[[氦]]与[[重元素]][[丰度]]$(X/H):(X/H)_\mathrm{photo}$随[[太阳活动]]的演化规律。研究发现：AHe与[[太阳黑子]]数呈强相关性；快慢[[太阳风]]中平均非瞬态AHe均不超过[[光球层]]值的51%；慢速[[太阳风]][[重元素]][[丰度]]显著随[[太阳活动]]变化而快速[[太阳风]]无此特征；重于[[氦]]的[[元素]][[丰度]]与[[太阳黑子]]数的[[相关系数]]随[[质量]]增加单调递增；原位观测数据与归一化[[太阳黑子]]数的[[相关性]]强度优于未归一化数据。由此推断：[[太阳黑子]]数是[[太阳周期]]的计时器而非[[丰度]]演化的[[物理过程]]驱动因素；该[[物理过程]]很可能与[[色球层]]、[[过渡区]]或低[[日冕]]处加速[[太阳]][[等离子体]]至[[太阳风]]的可用[[能量]]相关；快慢[[太阳风]][[丰度]]演化差异同样与这些高度上[[元素]]加速的可用[[能量]]有关。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：药物-蛋白质解离动力学的增强采样、公共数据集与生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学过程的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI]]生成模型的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程的高效分子动力学模拟及[[自由能面]]估算，并构建了包含26,612条解离轨迹（约1300万帧）的[[DD-13M]]数据集。基于该数据集训练的深度等变生成模型[[UnbindingFlow]]可生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重要进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：The Evolution of Heavy Ion Abundances with Solar Activity * '''中文标题'''：太阳活动中重离子丰度的演化 * '''发布日期'''：2025-04-25 05:39:20+00:00 * '''作者'''：B. L. Alterman, Y. J. Rivera, S. T. Lepri, J. M. Raines, R. D'Amicis * '''分类'''：astro-ph.SR, physics.space-ph *'''原文链接'''：http://arxiv.org/abs/2504.18092v1 '''中文摘要'''：在1[[天文单位]]处观测时，慢速[[太阳风]]通常被认为源自[[磁拓扑]]间歇性向[[太阳风层]]开放的区域，而快速[[太阳风]]则被认为源自持续开放的区域（如[[冕洞]]）。[[太阳风氦丰度]]（AHe）随[[太阳活动]]的演化很可能由不同[[太阳风源区]]的演化驱动。基于[[Alterman]]等人（2025）提出的[[元素特征速度]]将[[太阳风]]分为快慢两类后，我们量化了[[氦]]和[[重元素丰度]]$(X/H):(X/H)_\mathrm{photo}$随[[太阳活动]]的演化。研究发现：AHe与[[太阳黑子]]数呈强相关性；快慢[[太阳风]]中平均非瞬态AHe均不超过[[光球层]]值的51%；慢速[[太阳风]]重元素丰度随[[太阳活动]]显著变化而快速[[太阳风]]无此特征；比[[氦]]重的[[元素丰度]]与[[太阳黑子]]数的相关系数随质量增加单调递增；现场观测数据与归一化[[太阳黑子]]数的相关性强度优于未归一化数据。我们推断：[[太阳黑子]]数是标记[[太阳周期]]的时钟而非丰度演化的物理驱动机制；该物理过程很可能与[[色球层]]、[[过渡区]]或低[[日冕]]处加速[[太阳等离子体]]至[[太阳风]]的可用能量相关；快慢[[太阳风]]丰度演化的差异同样与这些[[日面高度]]处[[元素加速]]的可用能量相关。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集与药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学和[[动态过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI]]生成模型的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程在分子动力学模拟中的高效运行，并完成[[自由能面]]估算。基于该策略构建的分子动力学模拟程序流程，最终生成了包含26,612条药物-蛋白质解离轨迹（约1300万帧）的[[数据集]]。我们将该解离动力学数据集命名为[[DD-13M]]，并用于训练深度[[等变生成模型]][[UnbindingFlow]]，该模型可生成无碰撞的解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重大进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：药物-蛋白质解离动力学的增强采样、公共数据集与生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学和[[动态过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程在分子动力学模拟中的高效运行，并完成[[自由能面]]估算。基于该策略构建的分子动力学模拟程序流程，最终生成了包含26,612条解离轨迹（约1300万帧）的[[数据集]]。我们将该解离动力学数据集命名为[[DD-13M]]，并用于训练深度等变生成模型[[UnbindingFlow]]，该模型可生成无碰撞的解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重大进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究重点正转向将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集和药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学和[[动态过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程在分子动力学模拟中的高效运行，并估算[[自由能面]]。基于该策略构建的分子动力学模拟程序流程，生成了包含26,612条药物-蛋白质解离轨迹（约1300万帧）的数据集[[DD-13M]]。利用该数据集训练的深度等变生成模型[[UnbindingFlow]]，可生成无碰撞的解离轨迹。DD-13M数据库和UnbindingFlow模型标志着[[计算结构生物学]]的重大进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：药物-蛋白质解离动力学的增强采样、公共数据集与生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学和[[动态过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程在分子动力学模拟中的高效运行，并估算[[自由能面]]。基于该策略构建的分子动力学模拟程序流程，生成了包含26,612条药物-蛋白质解离轨迹（约1300万帧）的数据集[[DD-13M]]。利用该数据集训练的深度等变生成模型[[UnbindingFlow]]，可生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重要进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集与药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学和[[动态过程]]的预测工具仍然有限。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式来解决这一问题。我们开发了一种增强采样策略，可在分子动力学模拟中高效实现药物-蛋白质解离过程并估算[[自由能面]]。基于该采样策略，我们构建了分子动力学模拟程序流程，生成了包含26,612条药物-蛋白质解离轨迹（约1300万帧）的[[数据集]]。我们将该解离动力学数据集命名为[[DD-13M]]，并用于训练深度等变生成模型[[UnbindingFlow]]，该模型可生成无碰撞的解离轨迹。DD-13M数据库和UnbindingFlow模型代表了[[计算结构生物学]]的重要进展，我们预期其将在药物-蛋白质相互作用的[[机器学习]]研究中具有广泛适用性。当前工作重点是将该方法扩展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集与药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学过程的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]与[[AI生成模型]]的新研究范式：通过增强采样策略高效实现分子动力学模拟中的药物-蛋白解离过程并估算[[自由能面]]；基于该策略构建分子动力学模拟程序管线，生成包含26,612条解离轨迹（约1300万帧）的[[DD-13M]]数据集；利用该数据集训练深度等变生成模型[[UnbindingFlow]]以生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重大进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合体体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：药物-蛋白质解离动力学的增强采样、公共数据集与生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学和[[动态过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程在分子动力学模拟中的高效运行，并完成[[自由能面]]估算。基于该策略构建的分子动力学模拟程序流程，最终生成了包含26,612条药物-蛋白质解离轨迹（约1300万帧）的[[数据集]]。我们将该解离动力学数据集命名为[[DD-13M]]，并用于训练深度[[等变生成模型]][[UnbindingFlow]]——该模型可生成无碰撞的解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重要进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集与药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学过程的预测工具仍存在局限。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程的高效模拟，并估算[[自由能面]]。基于该策略构建的分子动力学模拟流程，生成了包含26,612条解离轨迹（约1300万帧）的数据集[[DD-13M]]。利用该数据集训练的深度等变生成模型[[UnbindingFlow]]，可生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重要进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集和药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离[[动力学过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]与[[AI生成模型]]的新研究范式：通过增强采样策略高效实现分子动力学模拟中的药物-蛋白质解离过程并估算[[自由能面]]；基于该策略构建分子动力学模拟程序管线，生成包含26,612条解离轨迹（约1300万帧）的[[DD-13M数据集]]；利用该数据集训练深度等变生成模型[[UnbindingFlow]]，可生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重大进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索[[路径预测]]的新应用场景。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集和药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离动力学过程的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI]]生成模型的新研究范式。通过设计增强采样策略，我们实现了药物-蛋白质解离过程的高效分子动力学模拟及[[自由能面]]估算，并构建了包含26,612条解离轨迹（约1300万帧）的[[DD-13M]]数据集。基于该数据集训练的等变生成模型[[UnbindingFlow]]可生成无碰撞解离轨迹。DD-13M数据库与UnbindingFlow模型标志着[[计算结构生物学]]的重要进展，预计将在药物-蛋白质相互作用的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的药物-蛋白质复合物体系，并探索其在[[路径预测]]中的新应用。 == 摘要 == * '''原文标题'''：Enhanced Sampling, Public Dataset and Generative Model for Drug-Protein Dissociation Dynamics * '''中文标题'''：增强采样、公共数据集和药物-蛋白质解离动力学的生成模型 * '''发布日期'''：2025-04-25 14:10:06+00:00 * '''作者'''：Maodong Li, Jiying Zhang, Bin Feng, Wenqi Zeng, Dechin Chen, Zhijun Pan, Yu Li, Zijing Liu, Yi Isaac Yang * '''分类'''：physics.comp-ph, cs.LG, physics.chem-ph, q-bio.BM *'''原文链接'''：http://arxiv.org/abs/2504.18367v1 '''中文摘要'''：[[药物]]-[[蛋白质]]结合与解离[[动力学]]是理解[[生物系统]]中[[分子相互作用]]的基础。尽管已有许多研究[[药物-蛋白质相互作用]]的工具（尤其是基于[[人工智能]]的[[生成模型]]），但针对结合/解离[[动力学]]和[[动态过程]]的预测工具仍显不足。我们提出了一种结合[[分子动力学模拟]]、[[增强采样]]和[[AI生成模型]]的新研究范式。通过设计[[增强采样]]策略，我们实现了[[药物]]-[[蛋白质]]解离过程在[[分子动力学模拟]]中的高效执行及[[自由能面]]估算。基于该策略构建的[[分子动力学模拟]]程序流程，生成了包含26,612条解离轨迹（约1300万帧）的数据集[[DD-13M]]，并据此训练出能生成无碰撞解离轨迹的深度等变[[生成模型]][[UnbindingFlow]]。该数据库与模型标志着[[计算结构生物学]]的重大进展，预计将在[[药物-蛋白质相互作用]]的[[机器学习]]研究中获得广泛应用。当前研究正致力于将该方法拓展至更广泛的[[药物]]-[[蛋白质]]复合物体系，并探索其在[[路径预测]]中的新应用。
返回
WikiEdge:ArXiv速递/2025-04-25
。
导航菜单
个人工具
创建账号
登录
命名空间
项目页面
讨论
不转换
不转换
简体
繁體
大陆简体
香港繁體
澳門繁體
大马简体
新加坡简体
臺灣正體
查看
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
MediaWiki帮助
工具
链入页面
相关更改
特殊页面
页面信息