論文の概要: E3-targetPred: Prediction of E3-Target Proteins Using Deep Latent Space Encoding

• arxiv url: http://arxiv.org/abs/2007.12073v1
• Date: Fri, 26 Jun 2020 17:21:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 22:15:45.507891
• Title: E3-targetPred: Prediction of E3-Target Proteins Using Deep Latent Space Encoding
• Title（参考訳）: E3-targetPred:Deep Latent Space Encodingを用いたE3-targetタンパク質の予測
• Authors: Seongyong Park, Shujaat Khan, Abdul Wahab
• Abstract要約: 提案するフレームワークは、k-spaced amino acid pairs (CKSAAP) の組成を利用して、E3リガーゼと標的タンパク質の関係を学習する。 CKSAAPの最適ギャップサイズと、E3-ターゲット関係をうまく表現できる潜伏変数の数を特定するために、徹底的なアブレーション研究を行った。
• 参考スコア（独自算出の注目度）: 4.477216483305553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding E3 ligase and target substrate interactions are important for cell biology and therapeutic development. However, experimental identification of E3 target relationships is not an easy task due to the labor-intensive nature of the experiments. In this article, a sequence-based E3-target prediction model is proposed for the first time. The proposed framework utilizes composition of k-spaced amino acid pairs (CKSAAP) to learn the relationship between E3 ligases and their target protein. A class separable latent space encoding scheme is also devised that provides a compressed representation of feature space. A thorough ablation study is performed to identify an optimal gap size for CKSAAP and the number of latent variables that can represent the E3-target relationship successfully. The proposed scheme is evaluated on an independent dataset for a variety of standard quantitative measures. In particular, it achieves an average accuracy of $70.63\%$ on an independent dataset. The source code and datasets used in the study are available at the author's GitHub page (https://github.com/psychemistz/E3targetPred).
• Abstract（参考訳）: E3リガーゼと標的基質相互作用の理解は細胞生物学と治療の発展に重要である。 しかし,e3目標関係の実験的同定は,実験の労働集約性から,容易な作業ではない。 本稿では, シーケンスに基づくe3目標予測モデルを提案する。 提案するフレームワークは、k-spaced amino acid pairs (CKSAAP) の組成を利用して、E3リガーゼと標的タンパク質の関係を学習する。 特徴空間の圧縮表現を提供するクラス分離可能な潜在空間符号化スキームも考案されている。 cksaapの最適ギャップサイズとe3目標関係を良好に表現できる潜在変数数を明らかにするため,徹底的なアブレーション研究を行った。 提案手法は,様々な標準定量的尺度の独立データセット上で評価される。 特に、独立データセットの平均精度は70.63 %である。 この研究で使用されたソースコードとデータセットは、著者のgithubページ(https://github.com/psychemistz/e3targetpred)で入手できる。

関連論文リスト

• ShapeSplat: A Large-scale Dataset of Gaussian Splats and Their Self-Supervised Pretraining [104.34751911174196]
  ShapeNetとModelNetを用いた大規模3DGSデータセットを構築した。 データセットのShapeSplatは、87のユニークなカテゴリから65Kのオブジェクトで構成されています。 textbftextitGaussian-MAEを導入し、ガウスパラメータからの表現学習の独特な利点を強調した。
  論文  参考訳（メタデータ） (2024-08-20T14:49:14Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• SepVAE: a contrastive VAE to separate pathological patterns from healthy ones [2.619659560375341]
  コントラスト分析VAE(Contrastive Analysis VAE)は、背景データセット(BG)と対象データセット(TG)の共通要因を分離することを目的とした変分自動エンコーダ(VAE)のファミリーである。 3つの医療応用と自然画像データセット(CelebA)における従来のCA-VAEs法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-12T14:52:21Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• E3Bind: An End-to-End Equivariant Network for Protein-Ligand Docking [20.266157559473342]
  我々は、リガンドポーズを反復的に更新するエンドツーエンドの同変ネットワークであるE3Bindを提案する。 E3Bindはドッキングにおける幾何学的制約を慎重に考慮し、タンパク質-リガンド相互作用をモデル化する。 標準ベンチマークデータセットの実験は、エンドツーエンドのトレーニング可能なモデルの優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2022-10-12T10:25:54Z)
• Information-Theoretic Hashing for Zero-Shot Cross-Modal Retrieval [19.97731329580582]
  本稿では,情報理論の観点から,共通のハミング空間を構築する(あるいは学習する)全く異なる方法を考える。 具体的には、AIAモジュールはPRI(Principle of Relevant Information)からインスピレーションを得て、異なるデータモダリティの本質的な意味を適応的に集約する共通空間を構築する。 我々のSPEモジュールはさらに、固有の意味論とKL(Kulback-Leibler)の相似性を保存することで、異なるモダリティのハッシュコードを生成する。
  論文  参考訳（メタデータ） (2022-09-26T08:05:20Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• DOCKSTRING: easy molecular docking yields better benchmarks for ligand design [3.848364262836075]
  本稿では、3つのコンポーネントからなる機械学習モデルの有意義かつ堅牢な比較のためのバンドルであるDOCKSTRINGを提案する。 Pythonパッケージはロバストなリガンドとターゲットの準備プロトコルを実装しており、非専門家が意味のあるドッキングスコアを得ることができる。 私たちのデータセットには、ドッキングのポーズと、フルマトリックスである最初のサイズが含まれています。
  論文  参考訳（メタデータ） (2021-10-29T01:37:13Z)
• Active Learning to Classify Macromolecular Structures in situ for Less Supervision in Cryo-Electron Tomography [18.97783153971551]
  大規模非ラベル付きサブトモグラムプールからラベル作成のためのサブトモグラムをクエリするためのフレームワークを提案する。 HALは不確実サンプリングを採用し、最も不確実な予測を持つサブトモグラムを選択する。 halはクエリセットの多様性を改善するためにサブセットサンプリング戦略を導入している。
  論文  参考訳（メタデータ） (2021-02-24T03:10:32Z)

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。