論文の概要: Artificial intelligence techniques for integrative structural biology of
intrinsically disordered proteins
- arxiv url: http://arxiv.org/abs/2012.00885v1
- Date: Tue, 1 Dec 2020 23:10:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 22:08:40.324279
- Title: Artificial intelligence techniques for integrative structural biology of
intrinsically disordered proteins
- Title(参考訳): 内因性障害タンパク質の集積構造生物学のための人工知能技術
- Authors: Arvind Ramanathan and Heng Ma and Akash Parvatikar and Chakra S.
Chennubhotla
- Abstract要約: 内因性障害タンパク質(IDP)の集積構造生物学における人工知能(AI)と機械学習(ML)技術の最近の展開について概説する。
IDPは、特定の結合パートナーに応答してコンフォメーションを適応し、生物学的シグナル伝達、自己組織化、分節化といった、多様で複雑な細胞機能を媒介する、伝統的なタンパク質構造-機能パラダイムに挑戦する。
スケーラブルな統計的推論技術は、複数の実験手法から得られた情報とシミュレーションを効果的に統合し、これらの現象の原子学的詳細にアクセスすることができると仮定する。
- 参考スコア(独自算出の注目度): 0.3735965959270874
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We outline recent developments in artificial intelligence (AI) and machine
learning (ML) techniques for integrative structural biology of intrinsically
disordered proteins (IDP) ensembles. IDPs challenge the traditional protein
structure-function paradigm by adapting their conformations in response to
specific binding partners leading them to mediate diverse, and often complex
cellular functions such as biological signaling, self organization and
compartmentalization. Obtaining mechanistic insights into their function can
therefore be challenging for traditional structural determination techniques.
Often, scientists have to rely on piecemeal evidence drawn from diverse
experimental techniques to characterize their functional mechanisms. Multiscale
simulations can help bridge critical knowledge gaps about IDP structure
function relationships - however, these techniques also face challenges in
resolving emergent phenomena within IDP conformational ensembles. We posit that
scalable statistical inference techniques can effectively integrate information
gleaned from multiple experimental techniques as well as from simulations, thus
providing access to atomistic details of these emergent phenomena.
- Abstract(参考訳): 本稿では,人工知能(AI)と機械学習(ML)による内因性障害タンパク質(IDP)アンサンブルの集積構造生物学の最近の進歩について概説する。
IDPは、特定の結合パートナーに応答してコンフォメーションを適応し、生物学的シグナル伝達、自己組織化、区画化などの多様で複雑な細胞機能を仲介することで、従来のタンパク質構造-機能パラダイムに挑戦する。
したがって、それらの機能に対する機械的な洞察を得ることは、伝統的な構造決定技術にとって困難である。
しばしば、科学者は機能メカニズムを特徴付けるために様々な実験技術から得られた断片的な証拠に頼る必要がある。
マルチスケールシミュレーションは、IDP構造関数の関係に関する重要な知識ギャップを橋渡しするのに役立つが、これらの技術はIDPコンフォーメーション・アンサンブル内の創発的な現象を解決するための課題にも直面する。
スケーラブルな統計的推論技術は、複数の実験手法から得られた情報とシミュレーションを効果的に統合し、これらの現象の原子学的詳細にアクセスできるようにする。
関連論文リスト
- ProtAgents: Protein discovery via large language model multi-agent
collaborations combining physics and machine learning [0.0]
ProtAgentsは、Large Language Models (LLMs)に基づいたde novoタンパク質設計のためのプラットフォームである。
異なる機能を持つ複数のAIエージェントは、動的環境内の複雑なタスクを協調的に処理する。
エージェントを設計する柔軟性と、動的LLMベースのマルチエージェント環境による自律的なコラボレーション能力は、大きな可能性を秘めている。
論文 参考訳(メタデータ) (2024-01-27T20:19:49Z) - A match made in consistency heaven: when large language models meet
evolutionary algorithms [51.087936554483804]
事前訓練された大規模言語モデル(LLM)は、創造的な自然言語を生成する強力な能力を持つ。
進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
テキストシーケンスの生成と進化の共通の集合性と方向性に動機づけられた本論文は,LLMとEAの強い一貫性を示す。
論文 参考訳(メタデータ) (2024-01-19T05:58:30Z) - MMDesign: Multi-Modality Transfer Learning for Generative Protein Design [66.49989188722553]
タンパク質の設計は、対応するタンパク質のバックボーンに基づいてタンパク質配列を生成する。
深層生成モデルは、データから直接タンパク質設計を学ぶことを約束している。
パブリックな構造系列ペアリングの欠如は、一般化能力を制限している。
マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。
論文 参考訳(メタデータ) (2023-12-11T10:59:23Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - Growing ecosystem of deep learning methods for modeling
protein$\unicode{x2013}$protein interactions [0.0]
本稿では,タンパク質相互作用をモデル化する深層学習手法のエコシステムを論じる。
新たな相互作用を発見し、物理的なメカニズムを調節し、エンジニアのバインダーがそれらの機能を解き放つ機会がある。
論文 参考訳(メタデータ) (2023-10-10T15:53:27Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - Deep Learning Methods for Protein Family Classification on PDB
Sequencing Data [0.0]
本稿では,新たな双方向LSTMや畳み込みモデルなどのディープラーニングフレームワークの性能を,広く利用可能なシークエンシングデータ上で実証し比較する。
我々のディープラーニングモデルは従来の機械学習手法よりも優れた性能を示し、畳み込みアーキテクチャは最も印象的な推論性能を提供する。
論文 参考訳(メタデータ) (2022-07-14T06:11:32Z) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳(メタデータ) (2022-05-20T19:38:00Z) - A silicon qubit platform for in situ single molecule structure
determination [0.7187911114620571]
単分子レベルでの一般、不均一、過渡的または内在的に混乱したタンパク質系の個々のコンフォメーションのインスタンスをイメージングすることは、構造生物学における顕著な課題の1つである。
ここでは、シリコンベースのスピン量子ビットの利点を取り入れた単一の分子イメージングプラットフォームを設計することで、この問題に取り組む。
我々は,本プラットフォームが自然環境における個々の分子系のスケーラブルな原子レベル構造決定を可能にすることを,詳細なシミュレーションを通じて実証した。
論文 参考訳(メタデータ) (2021-12-07T10:42:09Z) - Extracting a Knowledge Base of Mechanisms from COVID-19 Papers [50.17242035034729]
我々はメカニズムの知識ベース(KB)の構築を追求する。
我々は、妥当性と幅のバランスをとる広範で統一されたスキーマを開発する。
実験は、新型コロナウイルスの文献に関する学際的な科学的検索を支援するためのKBの有用性を実証する。
論文 参考訳(メタデータ) (2020-10-08T07:54:14Z) - Deep Learning in Protein Structural Modeling and Design [6.282267356230666]
ディープラーニングは、ビッグデータ、アクセシブルツールキット、強力な計算リソースによって刺激される科学的革命を触媒している。
タンパク質構造モデリングは、生物学的システムを分子レベルで理解し、設計するために重要である。
このレビューは、計算生物学者がタンパク質モデリングに適用される深層学習法に精通するのを助けることを目的としており、コンピュータ科学者は深層学習技術から恩恵を受ける可能性のある生物学的に有意義な問題を考察する。
論文 参考訳(メタデータ) (2020-07-16T14:59:38Z)
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。