論文の概要: On-the-fly Prediction of Protein Hydration Densities and Free Energies using Deep Learning

• arxiv url: http://arxiv.org/abs/2001.02201v1
• Date: Tue, 7 Jan 2020 18:06:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 21:28:28.282672
• Title: On-the-fly Prediction of Protein Hydration Densities and Free Energies using Deep Learning
• Title（参考訳）: 深層学習によるタンパク質水和密度と自由エネルギーのオンザフライ予測
• Authors: Ahmadreza Ghanbarpour, Amr H. Mahmoud, Markus A. Lill
• Abstract要約: 我々は,水和サイトデータを予測するためのディープニューラルネットワークモデルを開発した。 タンパク質相互作用場は、水和占有の対応する3D画像にマッピングされる。 直接のタンパク質相互作用場に加えて、各格子点の環境は、近傍格子点の相互作用特性の球面高調波展開のモーメントを用いて表現された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The calculation of thermodynamic properties of biochemical systems typically requires the use of resource-intensive molecular simulation methods. One example thereof is the thermodynamic profiling of hydration sites, i.e. high-probability locations for water molecules on the protein surface, which play an essential role in protein-ligand associations and must therefore be incorporated in the prediction of binding poses and affinities. To replace time-consuming simulations in hydration site predictions, we developed two different types of deep neural-network models aiming to predict hydration site data. In the first approach, meshed 3D images are generated representing the interactions between certain molecular probes placed on regular 3D grids, encompassing the binding pocket, with the static protein. These molecular interaction fields are mapped to the corresponding 3D image of hydration occupancy using a neural network based on an U-Net architecture. In a second approach, hydration occupancy and thermodynamics were predicted point-wise using a neural network based on fully-connected layers. In addition to direct protein interaction fields, the environment of each grid point was represented using moments of a spherical harmonics expansion of the interaction properties of nearby grid points. Application to structure-activity relationship analysis and protein-ligand pose scoring demonstrates the utility of the predicted hydration information.
• Abstract（参考訳）: 生体化学系の熱力学特性の計算には、典型的には資源集約的な分子シミュレーション法を用いる必要がある。 その1つの例は水和部位の熱力学的プロファイリング、すなわちタンパク質表面の水分子の高確率位置であり、タンパク質リガンド結合において必須の役割を果たすため、結合ポーズや親和性の予測に組み込まれなければならない。 水和サイト予測における時間消費シミュレーションを置き換えるために,水和サイトデータ予測を目的とした2種類のディープニューラルネットワークモデルを開発した。 最初のアプローチでは、結合ポケットを含む通常の3Dグリッド上に配置された特定の分子プローブと静的タンパク質との相互作用を表すメッシュ3D画像を生成する。 これらの分子相互作用場は、U-Netアーキテクチャに基づくニューラルネットワークを用いて、対応する水和占有の3次元画像にマッピングされる。 第2のアプローチでは、完全連結層に基づくニューラルネットワークを用いて水和占有率と熱力学をポイントごとに予測した。 直接タンパク質相互作用場に加えて,各格子点の環境は,近傍格子点の相互作用特性の球面調和膨張モーメントを用いて表現された。 構造活性関係解析とタンパク質リガンドポーズスコア付けへの応用は, 予測水和情報の有用性を示す。

関連論文リスト

• Accelerated Hydration Site Localization and Thermodynamic Profiling [0.0]
  本研究では,タンパク質構造用水和部位の高速かつ高精度な局在と熱力学的プロファイリング法を提案する。 この方法は、明示的な水分子動力学シミュレーションの大規模で新しいデータセットに基づいて訓練された幾何学的深層ニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2024-11-23T17:58:58Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• 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)
• Dynamic Molecular Graph-based Implementation for Biophysical Properties Prediction [9.112532782451233]
  本稿では,タンパク質-リガンド相互作用の動的特徴を特徴付けるため,GNNを用いたトランスフォーマーモデルに基づく新しいアプローチを提案する。 我々のメッセージパッシングトランスフォーマーは、物理シミュレーションに基づく分子動力学データに基づいて事前訓練を行い、座標構成を学習し、結合確率と親和性予測を行う。
  論文  参考訳（メタデータ） (2022-12-20T04:21:19Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Molecular Dynamics of Polymer-lipids in Solution from Supervised Machine Learning [0.3867363075280543]
  環境条件下で酢酸エチルで溶解した高分子高分子-脂質凝集体のエネルギーを予測するための3つのよく確立されたニューラルネットワークアーキテクチャの能力について検討する。 リカレントニューラルネットワークから生成されたデータモデルは、分子動力学から生成された溶媒との相互作用エネルギーとマクロ分子内ポテンシャルエネルギーのナノ秒単位の時系列で訓練され、試験される。
  論文  参考訳（メタデータ） (2022-03-01T00:13:35Z)
• 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)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Deep Learning of High-Order Interactions for Protein Interface Prediction [58.164371994210406]
  本稿では,タンパク質界面の予測を2次元密度予測問題として定式化する。 タンパク質をグラフとして表現し、グラフニューラルネットワークを用いてノードの特徴を学習する。 我々は高次対相互作用を組み込んで、異なる対相互作用を含む3次元テンソルを生成する。
  論文  参考訳（メタデータ） (2020-07-18T05:39:35Z)
• Energy-based Graph Convolutional Networks for Scoring Protein Docking Models [19.09624358779376]
  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。
  論文  参考訳（メタデータ） (2019-12-28T15:57:17Z)

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。