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

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Loop-Diffusion: an equivariant diffusion model for designing and scoring protein loops [0.0]
  ループ拡散(Loop-Diffusion)は、関数予測タスクに一般化するエネルギー関数を学ぶエネルギーベースの拡散モデルである。 我々は,TCR-pMHCインタフェースの評価におけるLoop-Diffusionの性能を評価し,結合強調突然変異の認識における最先端の結果を示す。
  論文  参考訳（メタデータ） (2024-09-26T18:34:06Z)
• ProteinBench: A Holistic Evaluation of Protein Foundation Models [53.59325047872512]
  本稿では,タンパク質基盤モデルのための総合評価フレームワークであるProteinBenchを紹介する。 本研究のアプローチは, タンパク質ドメインにおける課題を包括的に包括するタスクの分類学的分類, (ii) 品質, 新規性, 多様性, 堅牢性, および (iii) 様々なユーザ目標から詳細な分析を行い, モデルパフォーマンスの全体的視点を提供する,4つの重要な側面にわたるパフォーマンスを評価するマルチメトリック評価アプローチからなる。
  論文  参考訳（メタデータ） (2024-09-10T06:52:33Z)
• Advanced atom-level representations for protein flexibility prediction utilizing graph neural networks [0.0]
  我々は,タンパク質の原子レベルでの表現を学習し,タンパク質3D構造からB因子を予測するグラフニューラルネットワーク(GNN)を提案する。 Meta-GNNモデルは、4k以上のタンパク質の大規模かつ多様なテストセット上での相関係数0.71を達成する。
  論文  参考訳（メタデータ） (2024-08-22T16:15:13Z)
• 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)

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。