基于扩散先验的自适应多模态蛋白质插拔式方法
机器学习
2025-07-30 v1 人工智能
定量方法
摘要
在逆问题中，目标是恢复经过测量过程中通常发生的损失或噪声变换的未知参数（例如图像）。最近，深度生成模型，特别是扩散模型，已成为蛋白质结构生成的强大先验。然而，将来自多个来源的噪声实验数据整合以引导这些模型仍是一个重大挑战。现有方法通常需要精确的实验噪声水平知识以及手动调校的每个数据模态权重。本文引入了Adam-PnP（Adaptive Multimodal Protein Plug-and-Play），这是一种插拔式框架，可使用来自多个异构实验来源的梯度指导预训练的蛋白质扩散模型。我们的框架集成了自适应噪声估计方案和动态模态加权机制，纳入扩散过程中，以减少对手动超参数调校的需求。在复杂重建任务上的实验表明，Adam-PnP显著提高了准确性。
引用
@article{arxiv.2507.21260,
title = {Adaptive Multimodal Protein Plug-and-Play with Diffusion-Based Priors},
author = {Amartya Banerjee and Xingyu Xu and Caroline Moosmüller and Harlin Lee},
journal= {arXiv preprint arXiv:2507.21260},
year = {2025}
}
备注
Code: https://github.com/amartya21/Adam-PnP