論文の概要: Pre-training of Graph Neural Network for Modeling Effects of Mutations on Protein-Protein Binding Affinity

• arxiv url: http://arxiv.org/abs/2008.12473v1
• Date: Fri, 28 Aug 2020 04:07:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 02:40:53.721734
• Title: Pre-training of Graph Neural Network for Modeling Effects of Mutations on Protein-Protein Binding Affinity
• Title（参考訳）: 変異がタンパク質結合親和性に及ぼす影響をモデル化するためのグラフニューラルネットワークの事前学習
• Authors: Xianggen Liu, Yunan Luo, Sen Song and Jian Peng
• Abstract要約: 我々は、グラフニューラルネットワーク(GNN)が提供する特徴に基づいて、突然変異による結合親和性の変化を予測するための新しいディープラーニングベースのフレームワーク、GraphPPIを開発した。 実験の結果、注釈付き信号がなければ、GraphPPIはタンパク質構造の有意義なパターンを捉えることができることがわかった。 詳細な分析により、GPPIはSARS-CoV-2とその抗体との結合親和性に対する突然変異の影響を正確に推定できることが示された。
• 参考スコア（独自算出の注目度）: 13.293231874102641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling the effects of mutations on the binding affinity plays a crucial role in protein engineering and drug design. In this study, we develop a novel deep learning based framework, named GraphPPI, to predict the binding affinity changes upon mutations based on the features provided by a graph neural network (GNN). In particular, GraphPPI first employs a well-designed pre-training scheme to enforce the GNN to capture the features that are predictive of the effects of mutations on binding affinity in an unsupervised manner and then integrates these graphical features with gradient-boosting trees to perform the prediction. Experiments showed that, without any annotated signals, GraphPPI can capture meaningful patterns of the protein structures. Also, GraphPPI achieved new state-of-the-art performance in predicting the binding affinity changes upon both single- and multi-point mutations on five benchmark datasets. In-depth analyses also showed GraphPPI can accurately estimate the effects of mutations on the binding affinity between SARS-CoV-2 and its neutralizing antibodies. These results have established GraphPPI as a powerful and useful computational tool in the studies of protein design.
• Abstract（参考訳）: 変異が結合親和性に与える影響をモデル化することは、タンパク質工学と薬物設計において重要な役割を果たす。 本研究では,グラフニューラルネットワーク(GNN)が提供する特徴に基づいて,突然変異に対する結合親和性の変化を予測するための,グラフPPIという新しいディープラーニングベースのフレームワークを開発する。 特にgraphppiは、gnnに教師なしの方法で結合親和性に対する突然変異の影響を予測させる特徴を捉えるよう強制するために、よく設計された事前学習スキームを採用し、これらのグラフィカルな特徴を勾配ブーストツリーと統合して予測を行う。 実験の結果、注釈付き信号がなければ、GraphPPIはタンパク質構造の有意義なパターンを捉えることができることがわかった。 また、GraphPPIは5つのベンチマークデータセット上のシングルポイントとマルチポイントの突然変異に対するバインディング親和性の変化を予測することで、最先端のパフォーマンスを新たに達成した。 さらに詳細な分析により、変異がsars-cov-2とその中和抗体の結合親和性に及ぼす影響を正確に推定できることを示した。 これらの結果は、タンパク質設計の研究において、強力で有用な計算ツールとしてGraphPPIを確立した。

関連論文リスト

• GeoScatt-GNN: A Geometric Scattering Transform-Based Graph Neural Network Model for Ames Mutagenicity Prediction [0.0]
  本稿では, 3つの接地的アプローチを導入することで, 変異原性予測の急激な課題に取り組む。 まず,従来の分子ディスクリプタと比較して,分子画像から抽出した2次元散乱係数の優れた性能を示す。 第2に、幾何学グラフ散乱(GGS)、グラフ同型ネットワーク(GIN)、機械学習モデルを組み合わせて、変異原性予測において強力な結果を得るハイブリッドアプローチを提案する。 第3に、新しいグラフニューラルネットワークアーキテクチャMOLG3-SAGEを導入し、GGSノード機能を完全に連結されたグラフ構造に統合し、優れた予測精度を実現する。
  論文  参考訳（メタデータ） (2024-11-22T19:52:56Z)
• ALPHAGMUT: A Rationale-Guided Alpha Shape Graph Neural Network to Evaluate Mutation Effects [8.331322657310292]
  本研究では,変異効果を評価するための有理グラフニューラルネットワークAlphaGMutを提案する。 グラフのノード属性として割り当てられる変異部位の構造的, 位相的, 生物物理学的, シーケンス的特性を計算する。 我々は、AlphaGMutがDeepMindのAlphaMissenseを含む最先端の手法よりも多くのパフォーマンス指標で優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-13T14:22:12Z)
• Protein binding affinity prediction under multiple substitutions applying eGNNs on Residue and Atomic graphs combined with Language model information: eGRAL [1.840390797252648]
  ディープラーニングは、シリコン内予測と生体内観測のギャップを埋めることのできる強力なツールとして、ますます認識されている。 タンパク質複合体中のアミノ酸置換物からの結合親和性変化を予測するための新しいグラフニューラルネットワークアーキテクチャであるeGRALを提案する。 eGralは、タンパク質の大規模言語モデルから抽出された特徴のおかげで、残基、原子スケール、進化スケールを利用する。
  論文  参考訳（メタデータ） (2024-05-03T10:33:19Z)
• Through the Dual-Prism: A Spectral Perspective on Graph Data Augmentation for Graph Classification [71.36575018271405]
  本稿では,DP-NoiseとDP-Maskを組み合わせたDual-Prism(DP)拡張手法を提案する。 低周波固有値の変動を保ちながら、拡張グラフを生成する際に、臨界特性を大規模に保存できることが判明した。
  論文  参考訳（メタデータ） (2024-01-18T12:58:53Z)
• SemiGNN-PPI: Self-Ensembling Multi-Graph Neural Network for Efficient and Generalizable Protein-Protein Interaction Prediction [16.203794286288815]
  タンパク質とタンパク質の相互作用(PPI)は様々な生物学的プロセスにおいて重要であり、その研究は薬物開発や疾患の診断に重要な意味を持つ。 既存のディープラーニング手法は、複雑な実世界のシナリオ下での大幅なパフォーマンス劣化に悩まされる。 本稿では,PPIの効率と一般化性を両立させつつ,PPIを効果的に予測できる自己認識型マルチグラフニューラルネットワーク(SemiGNN-PPI)を提案する。
  論文  参考訳（メタデータ） (2023-05-15T03:06:44Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• What Makes Graph Neural Networks Miscalibrated? [48.00374886504513]
  グラフニューラルネットワーク(GNN)の校正特性に関する系統的研究を行う。 我々は,GNNのキャリブレーションに影響を与える5つの要因を同定する: 一般信頼度傾向, ノード単位の予測分布の多様性, 訓練ノード間距離, 相対信頼度, 近傍類似度。 我々は,グラフニューラルネットワークのキャリブレーションに適した新しいキャリブレーション手法であるグラフアテンション温度スケーリング(GATS)を設計する。
  論文  参考訳（メタデータ） (2022-10-12T16:41:42Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• GDGRU-DTA: Predicting Drug-Target Binding Affinity Based on GNN and Double GRU [0.0]
  本稿では,薬物と標的との結合親和性を予測するためのGDGRU-DTA法を提案する。 本モデルは最先端の深層学習法より優れており,本モデルの有効性と優れた特徴捕捉能力を示す。
  論文  参考訳（メタデータ） (2022-04-25T13:21:37Z)
• 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)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)

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。