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

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Explainable AI Methods for Multi-Omics Analysis: A Survey [3.885941688264509]
  マルチオミクス(multi-omics)とは、複数の「オム」から派生したデータの積分解析である。 深層学習の手法は、マルチオミクスデータの統合や、分子間相互作用の洞察、複雑な疾患の研究の強化にますます活用されている。 これらのモデルは、多くの相互接続層と非線形関係を持ち、しばしばブラックボックスとして機能し、意思決定プロセスにおける透明性を欠いている。 このレビューでは、マルチオミクス研究において、xAIが深層学習モデルの解釈可能性を改善する方法について検討し、臨床医に明確な洞察を与える可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-15T05:01:17Z)
• Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
  新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。 本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
  論文  参考訳（メタデータ） (2024-03-21T02:44:08Z)
• 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)
• 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)

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。