論文の概要: Hierarchical, rotation-equivariant neural networks to select structural
models of protein complexes
- arxiv url: http://arxiv.org/abs/2006.09275v2
- Date: Sat, 23 Jan 2021 00:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 02:42:57.540304
- Title: Hierarchical, rotation-equivariant neural networks to select structural
models of protein complexes
- Title（参考訳）: タンパク質複合体の構造モデル選択のための階層的、回転同変ニューラルネットワーク
- Authors: Stephan Eismann, Raphael J.L. Townshend, Nathaniel Thomas, Milind
Jagota, Bowen Jing, Ron O. Dror
- Abstract要約: タンパク質複合体の正確なモデルを特定するために,全ての原子の3次元位置から直接学習する機械学習手法を提案する。
我々のネットワークは、考えられるモデルの大きな集合のうち、正確な構造モデルの同定を大幅に改善する。
- 参考スコア（独自算出の注目度）: 6.092214762701847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the structure of multi-protein complexes is a grand challenge in
biochemistry, with major implications for basic science and drug discovery.
Computational structure prediction methods generally leverage pre-defined
structural features to distinguish accurate structural models from less
accurate ones. This raises the question of whether it is possible to learn
characteristics of accurate models directly from atomic coordinates of protein
complexes, with no prior assumptions. Here we introduce a machine learning
method that learns directly from the 3D positions of all atoms to identify
accurate models of protein complexes, without using any pre-computed
physics-inspired or statistical terms. Our neural network architecture combines
multiple ingredients that together enable end-to-end learning from molecular
structures containing tens of thousands of atoms: a point-based representation
of atoms, equivariance with respect to rotation and translation, local
convolutions, and hierarchical subsampling operations. When used in combination
with previously developed scoring functions, our network substantially improves
the identification of accurate structural models among a large set of possible
models. Our network can also be used to predict the accuracy of a given
structural model in absolute terms. The architecture we present is readily
applicable to other tasks involving learning on 3D structures of large atomic
systems.
- Abstract（参考訳）: 多タンパク質複合体の構造を予測することは生化学において大きな課題であり、基礎科学と薬物発見に大きな意味を持つ。
計算構造予測法は通常、正確な構造モデルをより正確なものと区別するために事前定義された構造特徴を利用する。
これは、タンパク質複合体の原子座標から直接正確なモデルの特徴を事前の仮定なしで学べるかどうかという問題を提起する。
本稿では,全ての原子の3次元位置から直接学習し,事前計算された物理学的,統計的な用語を用いずに,タンパク質複合体の正確なモデルを特定する機械学習手法を提案する。
我々のニューラルネットワークアーキテクチャは、数万の原子を含む分子構造からエンドツーエンドの学習を可能にする複数の要素を組み合わせる:原子の点ベースの表現、回転と変換に対する等分散、局所畳み込み、階層的サブサンプリング操作。
従来開発されたスコアリング機能と組み合わせて使用すると,ネットワークは,可能な多数のモデルの中から正確な構造モデルの識別を大幅に改善する。
我々のネットワークは、与えられた構造モデルの精度を絶対的に予測するためにも利用できる。
提案するアーキテクチャは、大規模原子系の3次元構造を学習する他のタスクにも容易に適用できる。
関連論文リスト
- One-step Structure Prediction and Screening for Protein-Ligand Complexes using Multi-Task Geometric Deep Learning [6.605588716386855]
マルチタスク幾何学的深層学習に基づいて,LigPoseを1つのモデル,すなわちLigPoseに正確に取り組めることを示す。
LigPoseはリガンドとタンパク質のペアをグラフとして表現し、結合強度と原子間相互作用を補助的なタスクとして学習する。
実験によると、LigPoseは薬物研究の主要な課題について最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2024-08-21T05:53:50Z) - Kinematic analysis of structural mechanics based on convolutional neural network [1.5496299906248863]
フレームワークとKerasディープラーニングプラットフォームに基づく畳み込みニューラルネットワークモデルを構築した。
モデルは、トレーニングセット、検証セット、テストセットで100%精度を達成する。
可視化技術を用いて、畳み込みニューラルネットワークがどのように構造的特徴を学び、認識するかを明らかにする。
論文 参考訳（メタデータ） (2024-05-05T04:00:03Z) - Generative Pretrained Autoregressive Transformer Graph Neural Network
applied to the Analysis and Discovery of Novel Proteins [0.0]
本稿では,タンパク質モデリングにおける複雑な前方および逆問題を解決するために,フレキシブル言語モデルに基づくディープラーニング戦略を適用した。
本モデルを用いて, 二次構造含量(残量レベル, 全体含量), タンパク質溶解度, シークエンシングタスクの予測を行った。
追加タスクを追加することで、モデルが全体的なパフォーマンスを改善するために活用する創発的なシナジーが得られることが分かりました。
論文 参考訳（メタデータ） (2023-05-07T12:30:24Z) - Integration of Pre-trained Protein Language Models into Geometric Deep
Learning Networks [68.90692290665648]
我々は、タンパク質言語モデルから学んだ知識を、いくつかの最先端の幾何学的ネットワークに統合する。
以上の結果から,ベースラインを20%上回る総合的な改善が見られた。
強い証拠は、タンパク質言語モデルの知識を取り入れることで、幾何学的ネットワークの能力が著しく向上することを示している。
論文 参考訳（メタデータ） (2022-12-07T04:04:04Z) - 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) - 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) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - 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) - ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
近年、深層ニューラルネットワークが注目されている。
本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。
これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
論文 参考訳（メタデータ） (2020-12-07T20:18:23Z) - 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。