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

• 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)
• PLA-SGCN: Protein-Ligand Binding Affinity Prediction by Integrating Similar Pairs and Semi-supervised Graph Convolutional Network [6.024776891570197]
  半教師付きグラフ畳み込みネットワーク(GCN)を用いたPLA予測(タスク予測ステップ)において検索したハードタンパク質-リガンドペアを統合することを目的とする。 その結果,提案手法は同等の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-13T03:27:02Z)
• 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)
• 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)
• 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)
• 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)

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。