論文の概要: Deep Learning of High-Order Interactions for Protein Interface
Prediction
- arxiv url: http://arxiv.org/abs/2007.09334v1
- Date: Sat, 18 Jul 2020 05:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 05:24:53.090374
- Title: Deep Learning of High-Order Interactions for Protein Interface
Prediction
- Title(参考訳): タンパク質界面予測のための高次相互作用の深層学習
- Authors: Yi Liu, Hao Yuan, Lei Cai and Shuiwang Ji
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 58.164371994210406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Protein interactions are important in a broad range of biological processes.
Traditionally, computational methods have been developed to automatically
predict protein interface from hand-crafted features. Recent approaches employ
deep neural networks and predict the interaction of each amino acid pair
independently. However, these methods do not incorporate the important
sequential information from amino acid chains and the high-order pairwise
interactions. Intuitively, the prediction of an amino acid pair should depend
on both their features and the information of other amino acid pairs. In this
work, we propose to formulate the protein interface prediction as a 2D dense
prediction problem. In addition, we propose a novel deep model to incorporate
the sequential information and high-order pairwise interactions to perform
interface predictions. We represent proteins as graphs and employ graph neural
networks to learn node features. Then we propose the sequential modeling method
to incorporate the sequential information and reorder the feature matrix. Next,
we incorporate high-order pairwise interactions to generate a 3D tensor
containing different pairwise interactions. Finally, we employ convolutional
neural networks to perform 2D dense predictions. Experimental results on
multiple benchmarks demonstrate that our proposed method can consistently
improve the protein interface prediction performance.
- Abstract(参考訳): タンパク質の相互作用は幅広い生物学的プロセスにおいて重要である。
伝統的に、手作りの特徴からタンパク質界面を自動的に予測する計算手法が開発されている。
近年のアプローチでは、ディープニューラルネットワークを採用し、各アミノ酸対の相互作用を独立して予測している。
しかし、これらの方法はアミノ酸鎖からの重要なシーケンシャルな情報や高次対相互作用を含まない。
直感的には、アミノ酸対の予測は、その特徴と他のアミノ酸対の情報の両方に依存するべきである。
本研究では,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。
さらに,シーケンシャル情報と高次ペアワイズインタラクションを統合し,インタフェース予測を行う新しい深層モデルを提案する。
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。
次に,逐次情報を取り込んで特徴行列を並べ替える逐次モデリング手法を提案する。
次に、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。
最後に,畳み込みニューラルネットワークを用いて2次元密度予測を行う。
複数のベンチマークによる実験結果から,提案手法はタンパク質界面予測性能を一貫して向上できることが示された。
関連論文リスト
- Improved K-mer Based Prediction of Protein-Protein Interactions With
Chaos Game Representation, Deep Learning and Reduced Representation Bias [0.0]
本稿では,対話データセットからユニークなペアを抽出し,非バイアス付き機械学習のための非冗長なペアデータを生成する手法を提案する。
我々は,タンパク質のコード遺伝子のカオスゲーム表現から相互作用を学習し,予測できる畳み込みニューラルネットワークモデルを開発した。
論文 参考訳(メタデータ) (2023-10-23T10:02:23Z) - DeepGATGO: A Hierarchical Pretraining-Based Graph-Attention Model for
Automatic Protein Function Prediction [4.608328575930055]
自動タンパク質機能予測(AFP)は大規模多ラベル分類問題に分類される。
現在、一般的な手法は主にタンパク質関連情報と遺伝子オントロジー(GO)の用語を組み合わせて、最終的な機能予測を生成する。
本稿では,タンパク質配列とGO項ラベルを階層的に処理するシークエンスベースの階層予測手法であるDeepGATGOを提案する。
論文 参考訳(メタデータ) (2023-07-24T07:01:32Z) - HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for
Highly Accurate Protein-Ligand Binding Affinity Prediction [0.0]
本稿では,3次元畳み込みニューラルネットワークと2つのグラフ畳み込みニューラルネットワークからなる新しいディープラーニングアーキテクチャを提案する。
HAC-NetはPDBbind v.2016コアセットの最先端結果を取得する。
我々は,このモデルを,構造に基づく生体分子特性予測に関連する幅広い教師付き学習問題に拡張できると考えている。
論文 参考訳(メタデータ) (2022-12-23T16:14:53Z) - Pre-training Co-evolutionary Protein Representation via A Pairwise
Masked Language Model [93.9943278892735]
タンパク質配列表現学習の鍵となる問題は、配列中の残基間の共変量によって反映される共進化情報をキャプチャすることである。
Pairwise Masked Language Model (PMLM) と呼ばれる専用言語モデルによる事前学習により,この情報を直接キャプチャする新しい手法を提案する。
提案手法は, 相互関係を効果的に把握し, ベースラインと比較して, 接触予測性能を最大9%向上できることを示す。
論文 参考訳(メタデータ) (2021-10-29T04:01:32Z) - Structure-aware Interactive Graph Neural Networks for the Prediction of
Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。
近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。
ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文 参考訳(メタデータ) (2021-07-21T03:34:09Z) - 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) - Bayesian neural network with pretrained protein embedding enhances
prediction accuracy of drug-protein interaction [3.499870393443268]
ディープラーニングのアプローチは、人間による試行錯誤なしに薬物とタンパク質の相互作用を予測できる。
本稿では,小さなラベル付きデータセットで優れた性能を示すディープラーニングフレームワークを構築するための2つの手法を提案する。
論文 参考訳(メタデータ) (2020-12-15T10:24:34Z) - Interpretable Structured Learning with Sparse Gated Sequence Encoder for
Protein-Protein Interaction Prediction [2.9488233765621295]
アミノ酸配列から情報表現を学習することでタンパク質-タンパク質相互作用(PPI)を予測することは、生物学において難しいが重要な問題である。
我々は、シーケンスのみからPPIをモデル化し、予測するための新しいディープフレームワークを提案する。
本モデルでは,シーケンスからコンテキスト化およびシーケンシャル情報を活用することによってシーケンス表現を学習するための双方向ゲート再帰ユニットを組み込んだ。
論文 参考訳(メタデータ) (2020-10-16T17:13:32Z) - 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) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳(メタデータ) (2019-12-29T00:14:07Z)
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。