論文の概要: DeepFoldit -- A Deep Reinforcement Learning Neural Network Folding
Proteins
- arxiv url: http://arxiv.org/abs/2011.03442v1
- Date: Wed, 28 Oct 2020 16:05:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 06:21:38.744091
- Title: DeepFoldit -- A Deep Reinforcement Learning Neural Network Folding
Proteins
- Title(参考訳): DeepFoldit - タンパク質を折り畳むディープ強化学習ニューラルネットワーク
- Authors: Dimitra N. Panou and Martin Reczko
- Abstract要約: 私たちはDeepFolditと呼ばれるディープ強化ニューラルネットワークをトレーニングし、タンパク質の展開に割り当てられたスコアを改善しました。
提案手法は,Folditの直感的なユーザインタフェースと深層強化学習の効率性を組み合わせたものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Despite considerable progress, ab initio protein structure prediction remains
suboptimal. A crowdsourcing approach is the online puzzle video game Foldit,
that provided several useful results that matched or even outperformed
algorithmically computed solutions. Using Foldit, the WeFold crowd had several
successful participations in the Critical Assessment of Techniques for Protein
Structure Prediction. Based on the recent Foldit standalone version, we trained
a deep reinforcement neural network called DeepFoldit to improve the score
assigned to an unfolded protein, using the Q-learning method with experience
replay. This paper is focused on model improvement through hyperparameter
tuning. We examined various implementations by examining different model
architectures and changing hyperparameter values to improve the accuracy of the
model. The new model hyper-parameters also improved its ability to generalize.
Initial results, from the latest implementation, show that given a set of small
unfolded training proteins, DeepFoldit learns action sequences that improve the
score both on the training set and on novel test proteins. Our approach
combines the intuitive user interface of Foldit with the efficiency of deep
reinforcement learning.
- Abstract(参考訳): かなりの進歩にもかかわらず、ab initioタンパク質の構造予測は最適でないままである。
クラウドソーシングのアプローチはオンラインパズルゲームfolditで、アルゴリズムによって計算されたソリューションとマッチするか、あるいは上回る結果を提供する。
foldit を用いて、wefold 群集はタンパク質構造予測手法の批判的評価にいくつかの成功をおさめた。
先日のfolditスタンドアロンバージョンに基づいて,deepfolditと呼ばれる深層強化ニューラルネットワークをトレーニングし,経験リプレイを用いたq-learning法を用いて,展開したタンパク質に割り当てられたスコアを改善した。
本稿ではハイパーパラメータチューニングによるモデル改善に着目する。
モデルの精度を向上させるために,異なるモデルアーキテクチャを検証し,ハイパーパラメータ値を変更することで,様々な実装について検討した。
新しいモデルであるハイパーパラメーターもその一般化能力を改善した。
最新の実装からの最初の結果は、小さな展開されたトレーニングタンパク質が与えられたとき、DeepFolditはトレーニングセットと新しいテストタンパク質の両方でスコアを改善するアクションシーケンスを学習することを示している。
このアプローチでは, foldit の直感的なユーザインターフェースと深層強化学習の効率を組み合わせる。
関連論文リスト
- Deep Manifold Transformation for Protein Representation Learning [42.43017670985785]
ユニバーサルアンダーラインタンパク質アンダーライン変換(DMTPRL)のための新しいアンダーラインディープアンダーラインマンフォールドアンダーライントランスアプローチを提案する。
学習した埋め込みの品質と適応性を改善するために、多様体学習戦略を採用している。
DMTPRL法は、一般的なデータセットをまたいだ様々な下流タスクにおける最先端のベースラインよりも優れている。
論文 参考訳(メタデータ) (2024-01-12T18:38:14Z) - Target-aware Variational Auto-encoders for Ligand Generation with
Multimodal Protein Representation Learning [2.01243755755303]
ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。
これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
論文 参考訳(メタデータ) (2023-08-02T12:08:17Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-08T05:44:06Z) - Boosting Convolutional Neural Networks' Protein Binding Site Prediction
Capacity Using SE(3)-invariant transformers, Transfer Learning and
Homology-based Augmentation [1.160208922584163]
標的タンパク質の小さな結合部位を、ポケットや残基の分解能で見つけることは、実際の薬物発見のシナリオにおいて重要である。
そこで本研究では,実世界のアプリケーションに関係のある,結合サイト予測のための新しい計算手法を提案する。
論文 参考訳(メタデータ) (2023-02-20T05:02:40Z) - Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。
メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。
我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
論文 参考訳(メタデータ) (2023-02-01T17:32:16Z) - Reprogramming Pretrained Language Models for Protein Sequence
Representation Learning [68.75392232599654]
エンドツーエンドの表現学習フレームワークである辞書学習(R2DL)による表現学習を提案する。
R2DLは、タンパク質配列の埋め込みを学ぶために、事前訓練された英語モデルを再プログラムする。
我々のモデルは,事前訓練および標準教師付き手法によって設定されたベースラインに対して,最大105ドルの精度でデータ効率を大幅に向上させることができる。
論文 参考訳(メタデータ) (2023-01-05T15:55:18Z) - Integration of Pre-trained Protein Language Models into Geometric Deep
Learning Networks [68.90692290665648]
我々は、タンパク質言語モデルから学んだ知識を、いくつかの最先端の幾何学的ネットワークに統合する。
以上の結果から,ベースラインを20%上回る総合的な改善が見られた。
強い証拠は、タンパク質言語モデルの知識を取り入れることで、幾何学的ネットワークの能力が著しく向上することを示している。
論文 参考訳(メタデータ) (2022-12-07T04:04:04Z) - Leveraging Angular Information Between Feature and Classifier for
Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。
予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。
CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
論文 参考訳(メタデータ) (2022-12-03T07:52:48Z) - Analytically Tractable Bayesian Deep Q-Learning [0.0]
我々は時間差Q-ラーニングフレームワークを適応させ、抽出可能な近似ガウス推論(TAGI)と互換性を持たせる。
我々は,TAGIがバックプロパゲーション学習ネットワークに匹敵する性能に到達できることを実証した。
論文 参考訳(メタデータ) (2021-06-21T13:11:52Z) - 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)
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。