Fugu-MT 論文翻訳(概要): TALI: Protein Structure Alignment Using Backbone Torsion Angles

論文の概要: TALI: Protein Structure Alignment Using Backbone Torsion Angles

arxiv url: http://arxiv.org/abs/2012.06697v1
Date: Sat, 12 Dec 2020 01:45:30 GMT
ステータス: 処理完了
システム内更新日: 2021-05-10 11:55:15.871481
Title: TALI: Protein Structure Alignment Using Backbone Torsion Angles
Title（参考訳）: talI:背骨トーション角を用いたタンパク質構造アライメント
Authors: Xijiang Miao, Michael G. Bryson, Homayoun Valafar
Abstract要約: 本稿では,従来の距離行列ではなく,タンパク質背骨ねじれ角度に基づく新しいタンパク質構造アライメント法(tali)を提案する。 TALIは挑戦的な蛋白質への適用の他のすべての方法上の大きい成功を示しました。
参考スコア（独自算出の注目度）: 0.3437656066916039
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This article introduces a novel protein structure alignment method (named TALI) based on the protein backbone torsion angle instead of the more traditional distance matrix. Because the structural alignment of the two proteins is based on the comparison of two sequences of numbers (backbone torsion angles), we can take advantage of a large number of well-developed methods such as Smith-Waterman or Needleman-Wunsch. Here we report the result of TALI in comparison to other structure alignment methods such as DALI, CE, and SSM ass well as sequence alignment based on PSI-BLAST. TALI demonstrated great success over all other methods in application to challenging proteins. TALI was more successful in recognizing remote structural homology. TALI also demonstrated an ability to identify structural homology between two proteins where the structural difference was due to a rotation of internal domains by nearly 180$^\circ$.
Abstract（参考訳）: 本稿では,従来の距離行列ではなく,タンパク質背骨ねじれ角度に基づく新しいタンパク質構造アライメント法(tali)を提案する。 2つのタンパク質の構造的アライメントは2つの数列(バックボーンのねじれ角)の比較に基づいているため、スミス・ワーターマンやニードルマン・ウンシュのような多くのよく開発された手法を利用することができる。本稿では, DALI, CE, SSM などの構造アライメント手法と PSI-BLAST に基づくシーケンスアライメント手法との比較を行った。 TALIは、挑戦的なタンパク質に応用する他の方法よりも大きな成功を収めた。 TALIはリモート構造ホモロジーの認識に成功している。 TALIはまた、内部ドメインが180$^\circ$に近い回転によって構造的差異が生じる2つのタンパク質間の構造的ホモロジーを同定する能力を示した。

関連論文リスト

Protein Representation Learning with Sequence Information Embedding: Does it Always Lead to a Better Performance? [4.7077642423577775]
本稿では,アミノ酸構造表現のみに基づく局所幾何アライメント手法ProtLOCAを提案する。本手法は,構造的に整合性のあるタンパク質ドメインとより迅速かつ正確にマッチングすることで,既存の配列および構造に基づく表現学習法より優れる。
論文参考訳（メタデータ） (2024-06-28T08:54:37Z)
A Hierarchical Training Paradigm for Antibody Structure-sequence Co-design [54.30457372514873]
抗体配列構造共設計のための階層的訓練パラダイム(HTP)を提案する。 HTPは4段階の訓練段階から構成され、それぞれが特定のタンパク質のモダリティに対応する。実証実験により、HTPは共同設計問題において新しい最先端性能を設定できることが示されている。
論文参考訳（メタデータ） (2023-10-30T02:39:15Z)
Functional Geometry Guided Protein Sequence and Backbone Structure Co-Design [12.585697288315846]
本稿では,自動検出機能部位に基づくタンパク質配列と構造を共同設計するモデルを提案する。 NAEProは、全シーケンスでグローバルな相関を捉えることができる、注目層と同変層のインターリービングネットワークによって駆動される。実験結果から,本モデルは全競技種の中で,最高アミノ酸回収率,TMスコア,最低RMSDを実現していることがわかった。
論文参考訳（メタデータ） (2023-10-06T16:08:41Z)
Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。 pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文参考訳（メタデータ） (2023-02-03T10:49:52Z)
On the Robustness of AlphaFold: A COVID-19 Case Study [16.564151738086434]
高い精度にもかかわらず、AlphaFoldはそのような堅牢性を示していないことを実証する。これにより、予測されたタンパク質構造が信頼される範囲を検知し定量化することが困難になる。
論文参考訳（メタデータ） (2023-01-10T17:31:39Z)
Protein Sequence and Structure Co-Design with Equivariant Translation [19.816174223173494]
既存のアプローチは自己回帰モデルまたは拡散モデルを用いてタンパク質配列と構造の両方を生成する。本稿では,タンパク質配列と構造共設計が可能な新しいアプローチを提案する。我々のモデルは、幾何学的制約と文脈特徴からの相互作用を推論する三角法を意識したエンコーダで構成されている。全てのタンパク質アミノ酸は翻訳工程で1ショットずつ更新され、推論プロセスが大幅に加速される。
論文参考訳（メタデータ） (2022-10-17T06:00:12Z)
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)
HelixFold-Single: MSA-free Protein Structure Prediction by Using Protein Language Model as an Alternative [61.984700682903096]
HelixFold-Singleは、大規模なタンパク質言語モデルとAlphaFold2の優れた幾何学的学習能力を組み合わせるために提案されている。提案手法は,数千万の一次配列を持つ大規模タンパク質言語モデルを事前学習する。我々は、一次系列のみから原子の3次元座標を予測するために、エンドツーエンドの微分可能なモデルを得る。
論文参考訳（メタデータ） (2022-07-28T07:30:33Z)
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)
Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
論文参考訳（メタデータ） (2021-11-15T18:46:37Z)

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。