事前学習されたバリアショナルブリッジによる統合的生分子軌跡生成

arXiv:2602.07588v1 Announce Type: new Abstract: 分子力学（MD）シミュレーションは、原子レベルの完全な分解能で分子の振る舞いを特徴づけるための基本的なツールを提供しますが、その応用は計算コストによって厳重に制限されています。これを解決するため、最近では効率的な軌跡生成のために粗い時間ステップでダイナミクスを学習するための多くのディープ・ジェネラティブ・モデルが台頭しましたが、それらは一貫性が低下したシステム間での一般化能力に欠け、また軌跡データの分子多様性の限により、生成の忠実度を高めるために構造情報を十分に活用できていません。本稿では、エンコーダー−デコーダ方式による事前学習されたバリアショナルブリッジ（Pretrained Variational Bridge: PVB）を提示します。PVBは初期構造をノイズのある潜在空間にマッピングし、増強されたブリッジマッチングを通じて段階ごとの目標へと運搬します。これにより、単一構造データおよびペアされた軌跡データの両方のトレーニングが統合され、トレーニング段階間で横領域の構造知識を一貫して利用可能となります。さらに、タンパク質−リガンド複合体に対して、逆動力学マッチングを介した強化学習に基づく最適化を追加することで、ホロ状態への進行を加速させます。これにより、Docking ポーズの効率的なポスト最適化が可能になります。タンパク質およびタンパク質−リガンド複合体における実験は、PVB が MD から熱力学的および動的な観測量を忠実に再現しつつ、安定かつ効率的な生成ダイナミクスを提供することを示しています。

arXiv:2602.07588v1 Announce Type: new Abstract: Molecular Dynamics (MD) simulations provide a fundamental tool for characterizing molecular behavior at full atomic resolution, but their applicability is severely constrained by the computational cost. To address this, a surge of deep generative models has recently emerged to learn dynamics at coarsened timesteps for efficient trajectory generation, yet they either generalize poorly across systems or, due to limited molecular diversity of trajectory data, fail to fully exploit structural information to improve generative fidelity. Here, we present the Pretrained Variational Bridge (PVB) in an encoder-decoder fashion, which maps the initial structure into a noised latent space and transports it toward stage-specific targets through augmented bridge matching. This unifies training on both single-structure and paired trajectory data, enabling consistent use of cross-domain structural knowledge across training stages. Moreover, for protein-ligand complexes, we further introduce a reinforcement learning-based optimization via adjoint matching that speeds progression toward the holo state, which supports efficient post-optimization of docking poses. Experiments on proteins and protein-ligand complexes demonstrate that PVB faithfully reproduces thermodynamic and kinetic observables from MD while delivering stable and efficient generative dynamics.