Fugu-MT 論文翻訳(概要): Lattice protein design using Bayesian learning

論文の概要: Lattice protein design using Bayesian learning

arxiv url: http://arxiv.org/abs/2003.06601v5
Date: Mon, 14 Jun 2021 05:40:29 GMT
ステータス: 処理完了
システム内更新日: 2022-12-23 20:37:52.114283
Title: Lattice protein design using Bayesian learning
Title（参考訳）: ベイズ学習を用いた格子タンパク質設計
Authors: Tomoei Takahashi, George Chikenji and Kei Tokita
Abstract要約: タンパク質設計は3次元構造予測の逆アプローチであり、3次元構造とアミノ酸配列の関係を解明する。本稿では,ベイズ学習を用いた新しい統計力学的設計法を提案する。水の化学的ポテンシャルと表面残基数との間に強い線形性を見出した結果,タンパク質構造と水分子の効果の関係が明らかになった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Protein design is the inverse approach of the three-dimensional (3D) structure prediction for elucidating the relationship between the 3D structures and amino acid sequences. In general, the computation of the protein design involves a double loop: a loop for amino acid sequence changes and a loop for an exhaustive conformational search for each amino acid sequence. Herein, we propose a novel statistical mechanical design method using Bayesian learning, which can design lattice proteins without the exhaustive conformational search. We consider a thermodynamic hypothesis of the evolution of proteins and apply it to the prior distribution of amino acid sequences. Furthermore, we take the water effect into account in view of the grand canonical picture. As a result, on applying the 2D lattice hydrophobic-polar (HP) model, our design method successfully finds an amino acid sequence for which the target conformation has a unique ground state. However, the performance was not as good for the 3D lattice HP models compared to the 2D models. The performance of the 3D model improves on using a 20-letter lattice proteins. Furthermore, we find a strong linearity between the chemical potential of water and the number of surface residues, thereby revealing the relationship between protein structure and the effect of water molecules. The advantage of our method is that it greatly reduces computation time, because it does not require long calculations for the partition function corresponding to an exhaustive conformational search. As our method uses a general form of Bayesian learning and statistical mechanics and is not limited to lattice proteins, the results presented here elucidate some heuristics used successfully in previous protein design methods.
Abstract（参考訳）: タンパク質設計は、3d構造とアミノ酸配列の関係を解明するための3次元構造予測の逆アプローチである。一般に、タンパク質設計の計算には二重ループがあり、アミノ酸配列のループが変化し、アミノ酸配列の徹底的なコンフォメーション探索のループが変化する。そこで本研究では, ベイズ学習を用いた新しい統計力学設計法を提案する。タンパク質の進化に関する熱力学的仮説を考察し、アミノ酸配列の以前の分布に適用する。さらに, グランド・カノニカル・ピクチャーの観点から, 水効果を考慮に入れた。その結果, 2次元格子疎水性極性(hp)モデルを適用すると, ターゲットコンフォメーションが一意な基底状態を持つアミノ酸配列が得られた。しかし、この性能は2Dモデルと比べて3D格子HPモデルでは良くなかった。 3dモデルの性能は20レター格子タンパク質の使用により向上する。さらに, 水の化学的ポテンシャルと表面残基数との間には強い線形性があり, タンパク質構造と水分子の効果の関係が明らかになる。本手法の利点は,完全コンフォメーション探索に対応する分割関数に対する長い計算を必要としないため,計算時間を大幅に短縮できる点にある。本手法はベイズ学習と統計力学の一般形式を用いており, 格子タンパク質に限らず, 従来のタンパク質設計法でよく用いられるヒューリスティックスを解明した。

関連論文リスト

CrysFormer: Protein Structure Prediction via 3d Patterson Maps and Partial Structure Attention [7.716601082662128]
タンパク質の3次元構造は、しばしば非自明な計算コストをもたらす。本稿では,タンパク質結晶学と部分構造情報を直接利用するトランスフォーマーモデルを提案する。提案手法はtextttCrysFormer と呼ばれ,より小さなデータセットサイズと計算コストの削減に基づいて精度の高い予測を行うことができる。
論文参考訳（メタデータ） (2023-10-05T21:10:22Z)
Joint Design of Protein Sequence and Structure based on Motifs [11.731131799546489]
タンパク質のバックボーン構造と配列を共同で設計するGeoProを提案する。 GeoProは3次元(3D)バックボーン構造のための同変エンコーダと3次元幾何学でガイドされるタンパク質配列デコーダによって駆動される。本手法はタンパク質データバンク(PDB)やUniProtに存在しない新規な$beta$-lactamasesおよびミオグロビンを発見する。
論文参考訳（メタデータ） (2023-10-04T03:07:03Z)
A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
論文参考訳（メタデータ） (2023-05-06T19:10:19Z)
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)
Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文参考訳（メタデータ） (2022-05-20T19:38:00Z)
MAS2HP: A Multi Agent System to predict protein structure in 2D HP model [0.0]
本稿では,2次元疎水性-親水性モデルにおけるエージェント・ベース・モデリング(ABM)を用いたタンパク質構造予測の新しい手法を提案する。我々はこのアルゴリズムを2次元疎水性-親水性格子モデルにおいて20-50メルのベンチマークシーケンスで検証した。
論文参考訳（メタデータ） (2022-05-11T05:17:47Z)
Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
論文参考訳（メタデータ） (2021-11-15T18:46:37Z)
G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
論文参考訳（メタデータ） (2021-06-22T16:52:48Z)
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)
BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。また、注意とタンパク質構造との相互作用を三次元的に可視化する。
論文参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。