論文の概要: Unsupervised and Supervised Structure Learning for Protein Contact
Prediction
- arxiv url: http://arxiv.org/abs/2009.00133v1
- Date: Mon, 31 Aug 2020 22:37:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 07:02:58.195890
- Title: Unsupervised and Supervised Structure Learning for Protein Contact
Prediction
- Title(参考訳): タンパク質接触予測のための教師なし構造学習
- Authors: Siqi Sun
- Abstract要約: 本稿では, トポロジ制約付き教師なしグラフィカルモデルを用いて, 接触予測の確立方法について紹介する。
教師付き深層学習法を用いて、接触予測の精度をさらに高める方法について説明する。
本稿では,接触予測の新規性を測定するための多様性スコアと呼ばれるスコアリングシステムと,新しいスコアリングシステムに関して接触を予測するアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 11.634916254630884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Protein contacts provide key information for the understanding of protein
structure and function, and therefore contact prediction from sequences is an
important problem. Recent research shows that some correctly predicted
long-range contacts could help topology-level structure modeling. Thus, contact
prediction and contact-assisted protein folding also proves the importance of
this problem. In this thesis, I will briefly introduce the extant related work,
then show how to establish the contact prediction through unsupervised
graphical models with topology constraints. Further, I will explain how to use
the supervised deep learning methods to further boost the accuracy of contact
prediction. Finally, I will propose a scoring system called diversity score to
measure the novelty of contact predictions, as well as an algorithm that
predicts contacts with respect to the new scoring system.
- Abstract(参考訳): タンパク質接触はタンパク質の構造と機能を理解する上で重要な情報を提供するため、配列からの接触予測は重要な問題である。
最近の研究は、幾らかの正確な長距離接触がトポロジーレベルの構造モデリングに役立つことを示唆している。
したがって、接触予測と接触支援タンパク質折り畳みもこの問題の重要性を証明している。
本論文では,既存の関連課題を簡潔に紹介し,トポロジー制約のある教師なしグラフィカルモデルによる接触予測の確立方法を示す。
さらに,教師付き深層学習法を用いて,接触予測の精度をさらに高める方法について説明する。
最後に、接触予測の新規性を測定するための多様性スコアと呼ばれるスコアリングシステムと、新しいスコアリングシステムに関して接触を予測するアルゴリズムを提案する。
関連論文リスト
- 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) - Protein-ligand binding representation learning from fine-grained
interactions [29.965890962846093]
本稿では,タンパク質-リガンド結合表現を自己教師付き学習方式で学習することを提案する。
この自己教師付き学習問題は、決定的結合複素構造の予測として定式化される。
様々なバインディングタスクに対して,本手法の優位性を示す実験を行った。
論文 参考訳(メタデータ) (2023-11-09T01:33:09Z) - Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳(メタデータ) (2023-04-14T11:35:35Z) - 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) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳(メタデータ) (2021-02-05T21:04:31Z) - Generalized Relation Learning with Semantic Correlation Awareness for
Link Prediction [29.23338194883254]
本稿では,上記の2つの問題に対処する汎用関係学習フレームワークを提案する。
grlを用いた訓練により、ベクトル空間における意味的類似関係の密接性と類似関係の識別性が向上する。
論文 参考訳(メタデータ) (2020-12-22T12:22:03Z) - Deep Learning of High-Order Interactions for Protein Interface
Prediction [58.164371994210406]
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。
論文 参考訳(メタデータ) (2020-07-18T05:39:35Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z) - 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。