論文の概要: Energy-based Graph Convolutional Networks for Scoring Protein Docking Models

• arxiv url: http://arxiv.org/abs/1912.12476v1
• Date: Sat, 28 Dec 2019 15:57:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 12:43:52.781942
• Title: Energy-based Graph Convolutional Networks for Scoring Protein Docking Models
• Title（参考訳）: エネルギーに基づくタンパク質ドッキングモデルのためのグラフ畳み込みネットワーク
• Authors: Yue Cao and Yang Shen
• Abstract要約: タンパク質ドッキングにおける2つの問題は、それぞれ相対的および絶対的なスコアと見なされ、物理に着想を得た1つのディープラーニングフレームワークで対処される。 グラフデータから直接、一般化された相互作用エネルギーを学習できるように、エッジ機能を介してノードの機能をプールする新しいグラフ畳み込みカーネルを提案する。 得られたエネルギーベースのグラフ畳み込みネットワーク(EGCN)は、多面的な注意を払って、分子内および分子間エネルギー、結合親和性、および遭遇複合体の品質測定(界面RMSD)を予測するために訓練される。
• 参考スコア（独自算出の注目度）: 19.09624358779376
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Structural information about protein-protein interactions, often missing at the interactome scale, is important for mechanistic understanding of cells and rational discovery of therapeutics. Protein docking provides a computational alternative to predict such information. However, ranking near-native docked models high among a large number of candidates, often known as the scoring problem, remains a critical challenge. Moreover, estimating model quality, also known as the quality assessment problem, is rarely addressed in protein docking. In this study the two challenging problems in protein docking are regarded as relative and absolute scoring, respectively, and addressed in one physics-inspired deep learning framework. We represent proteins' and encounter complexes' 3D structures as intra- and inter-molecular residue contact graphs with atom-resolution node and edge features. And we propose a novel graph convolutional kernel that pool interacting nodes' features through edge features so that generalized interaction energies can be learned directly from graph data. The resulting energy-based graph convolutional networks (EGCN) with multi-head attention are trained to predict intra- and inter-molecular energies, binding affinities, and quality measures (interface RMSD) for encounter complexes. Compared to a state-of-the-art scoring function for model ranking, EGCN has significantly improved ranking for a CAPRI test set involving homology docking; and is comparable for Score_set, a CAPRI benchmark set generated by diverse community-wide docking protocols not known to training data. For Score_set quality assessment, EGCN shows about 27% improvement to our previous efforts. Directly learning from 3D structure data in graph representation, EGCN represents the first successful development of graph convolutional networks for protein docking.
• Abstract（参考訳）: タンパク質とタンパク質の相互作用に関する構造情報は、しばしば相互作用論のスケールで欠落し、細胞の機械的理解と治療の合理的発見に重要である。 タンパク質ドッキングは、そのような情報を予測するための計算代替手段を提供する。 しかし、多くの候補の中で、しばしばスコアリング問題として知られる、ネイティブに近いドッキングモデルの高いランク付けは、依然として重要な課題である。 さらに,タンパク質ドッキングでは,モデル品質の推定や品質評価問題もほとんど解決されない。 本研究では, タンパク質ドッキングにおける2つの課題を相対的, 絶対的得点とみなし, 物理に着想を得た1つのディープラーニングフレームワークに対処する。 タンパク質の3次元構造を分子内および分子間残基接触グラフとして, 原子分解能ノードとエッジ特性で表現する。 また,エッジ機能を通じてノードの機能をプールし,グラフデータから直接汎用的な相互作用エネルギーを学習できる新しいグラフ畳み込みカーネルを提案する。 結果として得られるエネルギーベースのグラフ畳み込みネットワーク(egcn)は、分子内および分子間エネルギー、結合親和性、および遭遇錯体の品質指標(interface rmsd)を予測するために訓練される。 EGCNは、モデルランキングのための最先端のスコアリング機能と比較して、ホモロジードッキングを含むCAPRIテストセットのランキングを大幅に改善し、トレーニングデータに知られていない様々なコミュニティワイドドッキングプロトコルによって生成されるCAPRIベンチマークセットであるScore_setに匹敵する。 Score_setの品質評価では、EGCNがこれまでの取り組みに対して約27%の改善を示している。 EGCNはグラフ表現における3次元構造データから直接学習し、タンパク質ドッキングのためのグラフ畳み込みネットワークの最初の成功例を示す。

関連論文リスト

• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction [49.674494450107005]
  標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。 本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。
  論文  参考訳（メタデータ） (2023-02-23T17:18:26Z)
• HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for Highly Accurate Protein-Ligand Binding Affinity Prediction [0.0]
  本稿では,3次元畳み込みニューラルネットワークと2つのグラフ畳み込みニューラルネットワークからなる新しいディープラーニングアーキテクチャを提案する。 HAC-NetはPDBbind v.2016コアセットの最先端結果を取得する。 我々は,このモデルを,構造に基づく生体分子特性予測に関連する幅広い教師付き学習問題に拡張できると考えている。
  論文  参考訳（メタデータ） (2022-12-23T16:14:53Z)
• E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking [20.266157559473342]
  我々は、リガンドポーズを反復的に更新するエンドツーエンドの同変ネットワークであるE3Bindを提案する。 E3Bindはドッキングにおける幾何学的制約を慎重に考慮し、タンパク質-リガンド相互作用をモデル化する。 標準ベンチマークデータセットの実験は、エンドツーエンドのトレーニング可能なモデルの優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2022-10-12T10:25:54Z)
• Protein 3D structure-based neural networks highly improve the accuracy in compound-protein binding affinity prediction [7.059949221160259]
  我々は,タンパク質3D構造情報の複合タンパク質結合親和性(CPAs)予測への応用を容易にするために,高速進化的注意と粗いグラフニューラルネットワーク(FeatNN)を開発した。 FeatNNはCPA予測において様々な最先端のベースラインをかなり上回り、ピアソン値は約35.7%上昇した。
  論文  参考訳（メタデータ） (2022-03-30T00:44:15Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。