論文の概要: Energy-based models for atomic-resolution protein conformations
- arxiv url: http://arxiv.org/abs/2004.13167v1
- Date: Mon, 27 Apr 2020 20:45:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 04:53:19.372520
- Title: Energy-based models for atomic-resolution protein conformations
- Title(参考訳): 原子分解能タンパク質コンホメーションのエネルギーモデル
- Authors: Yilun Du, Joshua Meier, Jerry Ma, Rob Fergus, Alexander Rives
- Abstract要約: 原子スケールで動作するタンパク質コンホメーションのエネルギーモデル(EBM)を提案する。
このモデルは、結晶化されたタンパク質のデータにのみ訓練されている。
モデル出力と隠された表現の研究により、タンパク質エネルギーに関連する物理化学的性質を捉えることが判明した。
- 参考スコア(独自算出の注目度): 88.68597850243138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an energy-based model (EBM) of protein conformations that operates
at atomic scale. The model is trained solely on crystallized protein data. By
contrast, existing approaches for scoring conformations use energy functions
that incorporate knowledge of physical principles and features that are the
complex product of several decades of research and tuning. To evaluate the
model, we benchmark on the rotamer recovery task, the problem of predicting the
conformation of a side chain from its context within a protein structure, which
has been used to evaluate energy functions for protein design. The model
achieves performance close to that of the Rosetta energy function, a
state-of-the-art method widely used in protein structure prediction and design.
An investigation of the model's outputs and hidden representations finds that
it captures physicochemical properties relevant to protein energy.
- Abstract(参考訳): 原子スケールで動作するタンパク質コンホメーションのエネルギーモデル(EBM)を提案する。
このモデルは結晶化されたタンパク質のデータにのみ訓練されている。
対照的に、既存のコンフォメーションをスコアリングするアプローチでは、数十年にわたる研究とチューニングの複雑な産物である物理的原理と特徴の知識を組み込んだエネルギー関数を使用する。
本モデルを評価するために, タンパク質設計のためのエネルギー関数の評価に用いられているタンパク質構造において, 側鎖のコンフォーメーションをそのコンテキストから予測する問題であるロタマー回収タスクをベンチマークした。
このモデルは、タンパク質構造予測と設計に広く用いられている最先端の手法であるロゼッタエネルギー関数に近い性能を達成する。
モデル出力と隠された表現の研究により、タンパク質エネルギーに関連する物理化学的性質を捉えることが判明した。
関連論文リスト
- Efficiently Predicting Protein Stability Changes Upon Single-point
Mutation with Large Language Models [51.57843608615827]
タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。
タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
論文 参考訳(メタデータ) (2023-12-07T03:25:49Z) - Functional Geometry Guided Protein Sequence and Backbone Structure
Co-Design [12.585697288315846]
本稿では,自動検出機能部位に基づくタンパク質配列と構造を共同設計するモデルを提案する。
NAEProは、全シーケンスでグローバルな相関を捉えることができる、注目層と同変層のインターリービングネットワークによって駆動される。
実験結果から,本モデルは全競技種の中で,最高アミノ酸回収率,TMスコア,最低RMSDを実現していることがわかった。
論文 参考訳(メタデータ) (2023-10-06T16:08:41Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - Protein Structure and Sequence Generation with Equivariant Denoising
Diffusion Probabilistic Models [3.5450828190071646]
バイオエンジニアリングにおける重要な課題は、特定の3D構造と標的機能を可能にする化学的性質を持つタンパク質を設計することである。
タンパク質の構造と配列の両方の生成モデルを導入し、従来の分子生成モデルよりもはるかに大きなスケールで操作できる。
論文 参考訳(メタデータ) (2022-05-26T16:10:09Z) - 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) - PDBench: Evaluating Computational Methods for Protein Sequence Design [2.0187324832551385]
本稿では, タンパク質のベンチマークを行い, 深層学習法の性能評価試験を提案する。
我々の堅牢なベンチマークは、その性能と実用性を評価するのに欠かせない設計手法の振る舞いに関する生物学的知見を提供する。
論文 参考訳(メタデータ) (2021-09-16T12:20:03Z) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳(メタデータ) (2021-05-11T03:40:29Z) - Protein model quality assessment using rotation-equivariant,
hierarchical neural networks [8.373439916313018]
本稿では,タンパク質モデルの品質を評価するための新しい深層学習手法を提案する。
提案手法は,最近のCASPラウンドに投入されたタンパク質モデルを評価することによって,最先端の成果を得る。
論文 参考訳(メタデータ) (2020-11-27T05:03:53Z) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳(メタデータ) (2020-08-11T15:01:32Z)
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。