Fugu-MT 論文翻訳(概要): DeepSurf: A surface-based deep learning approach for the prediction of ligand binding sites on proteins

論文の概要: DeepSurf: A surface-based deep learning approach for the prediction of ligand binding sites on proteins

arxiv url: http://arxiv.org/abs/2002.05643v2
Date: Tue, 16 Feb 2021 16:23:19 GMT
ステータス: 処理完了
システム内更新日: 2023-01-01 13:47:56.617201
Title: DeepSurf: A surface-based deep learning approach for the prediction of ligand binding sites on proteins
Title（参考訳）: DeepSurf:タンパク質上のリガンド結合部位の予測のための表面ベースディープラーニングアプローチ
Authors: Stelios K. Mylonas (1), Apostolos Axenopoulos (1), Petros Daras (1) ((1) Information Technologies Institute, Centre for Research and Technology Hellas, Thessaloniki, Greece)
Abstract要約: 本稿では,DeepSurfと呼ばれる,潜在的な結合部位の予測のための新しい計算手法を提案する。 DeepSurfは、多くの3Dボキセル化グリッドをタンパク質表面に配置する表面ベースの表現と、最先端のディープラーニングアーキテクチャを組み合わせたものだ。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The knowledge of potentially druggable binding sites on proteins is an important preliminary step towards the discovery of novel drugs. The computational prediction of such areas can be boosted by following the recent major advances in the deep learning field and by exploiting the increasing availability of proper data. In this paper, a novel computational method for the prediction of potential binding sites is proposed, called DeepSurf. DeepSurf combines a surface-based representation, where a number of 3D voxelized grids are placed on the protein's surface, with state-of-the-art deep learning architectures. After being trained on the large database of scPDB, DeepSurf demonstrates superior results on three diverse testing datasets, by surpassing all its main deep learning-based competitors, while attaining competitive performance to a set of traditional non-data-driven approaches.
Abstract（参考訳）: タンパク質に対する潜在的薬物性結合部位の知識は、新しい薬物の発見への重要な予備的なステップである。このような領域の計算予測は、ディープラーニング分野の最近の大きな進歩を追従し、適切なデータの可用性を高めることによって促進することができる。本稿では,DeepSurfと呼ばれる,潜在的な結合部位の予測のための新しい計算手法を提案する。 DeepSurfは、多くの3Dボキセル化されたグリッドをタンパク質の表面に置く表面ベースの表現と、最先端のディープラーニングアーキテクチャを組み合わせる。 scPDBの大規模なデータベースでトレーニングを受けた後、DeepSurfは、従来の非データ駆動のアプローチに競合するパフォーマンスを達成しながら、主要なディープラーニングベースの競合すべてを追い越して、3つのさまざまなテストデータセットで優れた結果を示す。

関連論文リスト

DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。まず,事前学習した単眼深度特徴を生かして,頑健な多眼深度モデルを提案する。また,ガウス的スプラッティングは教師なし事前学習の目的として機能することを示す。
論文参考訳（メタデータ） (2024-10-17T17:59:58Z)
DeepProtein: Deep Learning Library and Benchmark for Protein Sequence Learning [14.480621697121565]
DeepProteinは、タンパク質関連のタスクに特化した、包括的でユーザフレンドリーなディープラーニングライブラリである。これには、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、トランスフォーマー、グラフニューラルネットワーク(GNN)、グラフトランスフォーマー(GT)が含まれる。ユーザフレンドリなインターフェースを提供し、ドメイン研究者がタンパク質データにディープラーニング技術を適用するのを容易にする。
論文参考訳（メタデータ） (2024-10-02T20:42:32Z)
A Survey on Deep Clustering: From the Prior Perspective [9.628838389364864]
この調査は、6種類の事前知識に分類することで、ディープクラスタリング手法の包括的なレビューを提供する。広範に使われている5つのデータセットのベンチマークを提供し、様々な先行する手法のパフォーマンスを分析する。
論文参考訳（メタデータ） (2024-06-28T02:18:16Z)
Data Augmentations in Deep Weight Spaces [89.45272760013928]
そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
論文参考訳（メタデータ） (2023-11-15T10:43:13Z)
Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文参考訳（メタデータ） (2023-06-20T14:21:58Z)
Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文参考訳（メタデータ） (2023-01-30T12:38:31Z)
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)
Deep Depth Completion: A Survey [26.09557446012222]
我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
論文参考訳（メタデータ） (2022-05-11T08:24:00Z)
DeepSSN: a deep convolutional neural network to assess spatial scene similarity [11.608756441376544]
本稿では,深部空間シーンネットワーク(Deep Space Scene Network,DeepSSN)を提案する。提案したDeepSSNを用いて,スケッチマップを用いた空間問合せをユーザが入力する空間シーン探索システムを開発した。提案手法は,データ拡張後の131,300個のラベル付きシーンサンプルを含むマルチソース・コンバウンド・マップデータを用いて検証する。
論文参考訳（メタデータ） (2022-02-07T23:53:20Z)
A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文参考訳（メタデータ） (2021-05-26T14:37:07Z)
Neural Splines: Fitting 3D Surfaces with Infinitely-Wide Neural Networks [61.07202852469595]
本稿では,無限幅浅部ReLUネットワークから生じるランダムな特徴カーネルをベースとした3次元表面再構成手法であるNeural Splinesを提案する。提案手法は,最近のニューラルネットワーク技術より優れ,ポアソン表面再構成に広く用いられている。
論文参考訳（メタデータ） (2020-06-24T14:54:59Z)

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。