論文の概要: Protein Conformational States: A First Principles Bayesian Method
- arxiv url: http://arxiv.org/abs/2008.02353v2
- Date: Tue, 8 Sep 2020 21:52:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 19:05:01.215112
- Title: Protein Conformational States: A First Principles Bayesian Method
- Title（参考訳）: タンパク質コンフォメーション状態:第一原理ベイズ法
- Authors: David M. Rogers
- Abstract要約: 我々は,原子対原子対接触を利用するために,機械学習コミュニティのベイズ分類器を適用した。
我々の適応の非自明な特徴は情報エントロピーへの新たな接続であり、分類を損なうことなく構造的詳細のレベルを変更できる。
この方法の導出は、原子間接触の集合に関するベイズ解析から導かれ、より複雑なケースへの理解と拡張が容易になる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated identification of protein conformational states from simulation of
an ensemble of structures is a hard problem because it requires teaching a
computer to recognize shapes. We adapt the naive Bayes classifier from the
machine learning community for use on atom-to-atom pairwise contacts. The
result is an unsupervised learning algorithm that samples a `distribution' over
potential classification schemes. We apply the classifier to a series of test
structures and one real protein, showing that it identifies the conformational
transition with > 95% accuracy in most cases. A nontrivial feature of our
adaptation is a new connection to information entropy that allows us to vary
the level of structural detail without spoiling the categorization. This is
confirmed by comparing results as the number of atoms and time-samples are
varied over 1.5 orders of magnitude. Further, the method's derivation from
Bayesian analysis on the set of inter-atomic contacts makes it easy to
understand and extend to more complex cases.
- Abstract（参考訳）: 構造のシミュレーションからタンパク質のコンフォメーション状態の自動同定は、コンピュータに形状の認識を教える必要があるため、難しい問題である。
我々は,原子対原子対接触を利用するために,機械学習コミュニティのベイズ分類器を適用した。
その結果、教師なし学習アルゴリズムは、潜在的な分類スキームに対する'分布'をサンプリングする。
この分類器を一連のテスト構造と1つの実タンパク質に適用し、ほとんどの場合、95%の精度でコンフォメーション転移を同定することを示した。
我々の適応の非自明な特徴は情報エントロピーへの新たな接続であり、分類を損なうことなく構造的詳細のレベルを変更できる。
これは原子数と時間サンプル数を1.5桁以上変化させることで確認される。
さらに、この方法のベイズ解析による原子間接触の集合の導出により、より複雑な場合への理解や拡張が容易になる。
関連論文リスト
- Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。
突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
論文 参考訳（メタデータ） (2024-05-16T03:53:21Z) - Data-Error Scaling in Machine Learning on Natural Discrete Combinatorial Mutation-prone Sets: Case Studies on Peptides and Small Molecules [0.0]
本研究では機械学習(ML)モデルにおけるデータエラースケーリングの傾向について検討する。
典型的なデータエラースケーリングとは対照的に,学習中に不連続な単調相転移がみられた。
学習曲線を正規化するための代替戦略とミュータントに基づくシャッフルの概念を提案する。
論文 参考訳（メタデータ） (2024-05-08T16:04:50Z) - Unsupervised Learning of Invariance Transformations [105.54048699217668]
近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。
重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
論文 参考訳（メタデータ） (2023-07-24T17:03:28Z) - A Neural Network Transformer Model for Composite Microstructure Homogenization [1.2277343096128712]
森田中法のような均質化法は、幅広い構成特性に対して急速な均質化をもたらす。
本稿では,様々なミクロ構造の知識を捉えたトランスフォーマーニューラルネットワークアーキテクチャについて述べる。
ネットワークは、履歴に依存し、非線形で、均質化されたストレス-ひずみ応答を予測する。
論文 参考訳（メタデータ） (2023-04-16T19:57:52Z) - DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained
Diffusion [66.21290235237808]
本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。
任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。
各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
論文 参考訳（メタデータ） (2023-01-23T15:18:54Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Supervised Learning and Model Analysis with Compositional Data [4.082799056366927]
KernelBiomeはカーネルベースの非パラメトリック回帰分類フレームワークである。
我々は、最先端の機械学習手法と比較して、同等または改善された性能を示す。
論文 参考訳（メタデータ） (2022-05-15T12:33:43Z) - 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) - Discriminative and Generative Models for Anatomical Shape Analysison
Point Clouds with Deep Neural Networks [3.7814216736076434]
与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。
我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。
本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
論文 参考訳（メタデータ） (2020-10-02T07:37:40Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Hierarchical, rotation-equivariant neural networks to select structural
models of protein complexes [6.092214762701847]
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。
論文 参考訳（メタデータ） (2020-06-05T20:17:12Z)
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。