ICLRJun, 2023

离散行走 - 跳跃采样对蛋白质探索的应用

PDF
TL;DR研究通过学习平滑能量函数、使用 Langevin Markov chain Monte Carlo 对平滑数据流形进行采样并通过一步去噪投影回真实数据流形的方法来解决离散生成模型的训练和采样困难，并引入分布符合度分数对蛋白质生成模型进行了评估。
discrete generative modellangevin markov chain monte carloenergy-based modelscore-based modelantibody proteins
发现论文，激发创造
  • 利用进化抽样改进基于少样本学习的蛋白质工程

    本文提出一种少样本学习的方法来设计新的功能性蛋白质，该方法包括半监督迁移学习生成离散可行解空间和新型进化蒙特卡罗马尔可夫链采样算法更高效地探索可行解空间。我们在实验中展示了该方法设计出的高适应度基因激活剂有着比现有方法显著的命中率提升，且该方法可以轻松应用在其他蛋白质工程和设计问题中。

    May, 2023

  • 具有能量分布概率评估的深度有向生成模型

    本论文提出了一种利用生成对抗网络（GAN）和基于深度神经网络的生成模型来代替 MCMC 模型的方法，通过训练这种模型生成的采样分布近似匹配待训练的能量函数。

    Jun, 2016

  • 基于评分的蛋白质分子动力学增强采样

    本文介绍了一种新型的蛋白质构象采样方法，它使用基于分数的生成模型（SGMs）训练的多层分数函数直接采样构象，以弥补传统 MD 仿真过程中采样样本不足的问题，并通过在多个基准系统上进行比较，证明了该方法的有效性。

    Jun, 2023

  • 带有引导离散扩散的蛋白质设计

    本文提出了一种基于 NOS 和 LaMBO-2 的蛋白质设计方法，使用离散扩散模型、编辑限制和多目标贝叶斯优化实现了高表达率和高亲和力抗体的优化设计。

    May, 2023

  • 随机安全性的计算成本

    本文探讨了使用长时程持续 Chain Monte Carlo 模拟 Langevin 动力学是否能提高能量模型（EBM）所达到的表示质量。通过对训练好的 EBM 执行扩散过程的 Monte Carlo 模拟，并使用改进的对抗鲁棒性和独立分类器网络的校准分数方案，结果表明增加持续对比散度中的 Gibbs 抽样计算预算可以提高模型的校准和对抗鲁棒性，在实现从连续能量势中高效采样的新量子和经典硬件和软件方面具有实用价值。

    May, 2023

  • 离散分布的可伸缩抽样：梯度抽取错误

    使用似然函数关于离散变量的梯度来提议更新，在一些复杂的模型上，我们的采样方法包括 Ising 模型、Potts 模型、受限玻尔兹曼机和分步隐马尔可夫模型等方面表现出优异的性能，并且有效提升以往在高维离散数据处理方面经常使用的变分自编码器和现有基于能量模型的方法的性能。同时我们证明，该方法是在局部更新的抽样器中几乎是最优的。

    Feb, 2021

  • 利用基于图形平滑的 Gibbs 采样进行蛋白质适应性优化

    本文提出了一种基于 Gibbs 采样和基于图形平滑的方法，旨在消除对变异距离的限制并实现高效探索，该方法在从训练集获得的高适应性蛋白质的发现方面处于领先地位。

    Jul, 2023

  • 基于 MCMC 的最大似然能量模型学习解剖学

    本文研究了 Markov 链蒙特卡罗采样在无监督最大似然学习中的效果，发现使用 ConvNet 势函数训练的最小框架可以实现高质量的短时合成，同时使用正确的 Langevin 噪声调整可以实现长时稳定采样；但使用收敛困难的 MCMC 训练 ConvNet 将导致样本失真。

    Mar, 2019

  • 融合神经与物理：用可操作的模拟增强蛋白质构象采样

    通过使用少样本学习的生成模型，结合分子动力学模拟方法，我们在可行的计算成本内获得了具有卓越性能的构象采样器。

    Feb, 2024

  • 弹性粒子采样器：一种非可逆无拒绝的马尔可夫链蒙特卡罗方法

    本文介绍了利用连续时间马尔可夫过程探索目标分布的一种替代方法，该方法可以提供无拒绝的 MCMC 抽样方案，并且在采样混合离散 - 连续分布和被限制在平滑连通域上的分布时很有效。

    Oct, 2015