論文の概要: Deep learning based mixed-dimensional GMM for characterizing variability
in CryoEM
- arxiv url: http://arxiv.org/abs/2101.10356v1
- Date: Mon, 25 Jan 2021 19:05:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 23:45:53.821345
- Title: Deep learning based mixed-dimensional GMM for characterizing variability
in CryoEM
- Title(参考訳): 深層学習に基づく混合次元GMMによるCryoEMの変動特性評価
- Authors: Muyuan Chen and Steven Ludtke
- Abstract要約: CryoEMは、コンフォメーション状態とコンフォメーション状態の異なる個々のマクロ分子を直接可視化する。
タンパク質や複合体のコンフォメーションランドスケープを決定する機械学習アルゴリズムを提案する。
本手法をいくつかの異なる生体分子系に応用し,様々なスケールで組成変化およびコンフォメーション変化を探索する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The function of most protein molecules involves structural flexibility and/or
dynamic interactions with other molecules. CryoEM provides direct visualization
of individual macromolecules in different conformational and compositional
states. While many methods are available for classification of discrete states,
characterization of continuous conformational changes or large numbers of
discrete state without human supervision remains challenging. Here we present a
machine learning algorithm to determine a conformational landscape for proteins
or complexes using a 3-D Gaussian mixture model mapped onto 2-D particle images
in known orientations. Using a deep neural network architecture, this method
can automatically resolve the structural heterogeneity within the protein
complex and map particles onto a small latent space describing conformational
and compositional changes. This system presents a more intuitive and flexible
representation than other manifold methods currently in use. We demonstrate
this method on several different biomolecular systems to explore compositional
and conformational changes at a range of scales.
- Abstract(参考訳): ほとんどのタンパク質分子の機能には、構造的柔軟性や他の分子との動的相互作用が含まれる。
CryoEMは、コンフォメーション状態とコンフォメーション状態の異なる個々のマクロ分子を直接可視化する。
離散状態の分類には多くの方法があるが、人間の監督なしに連続的なコンフォーメーションの変化や多数の離散状態を特徴付けることは困難である。
本稿では、2次元粒子画像に写像された3次元ガウス混合モデルを用いてタンパク質や複合体のコンフォーメーションランドスケープを決定する機械学習アルゴリズムを提案する。
ディープニューラルネットワークアーキテクチャを用いて、タンパク質複合体内の構造的不均一性を自動的に解決し、コンフォメーションと構成の変化を記述した小さな潜在空間に粒子をマッピングする。
このシステムは、現在使われている他の多様体法よりも直感的で柔軟な表現を示す。
本手法をいくつかの異なる生体分子系に応用し,様々なスケールで組成変化およびコンフォメーション変化を探索する。
- 全文 参考訳へのリンク
関連論文リスト
- Transferring Chemical and Energetic Knowledge Between Molecular Systems
with Machine Learning [5.27145343046974]
本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。
我々は、高低自由エネルギー状態の分類に焦点をあてる。
以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
論文 参考訳(メタデータ) (2022-05-06T16:21:00Z) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳(メタデータ) (2022-03-31T12:52:25Z) - GeoDiff: a Geometric Diffusion Model for Molecular Conformation
Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。
GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文 参考訳(メタデータ) (2022-03-06T09:47:01Z) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳(メタデータ) (2021-10-26T14:14:40Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - Learning 3D Representations of Molecular Chirality with Invariance to
Bond Rotations [2.17167311150369]
3次元分子コンバータのねじれ角を処理するSE(3)不変モデルを設計する。
本研究では, 学習空間における異なる立体異性体のコンホメータを識別するコントラスト学習, キラル中心をR/Sに分類する学習, エンテロマーが円偏光でどのように回転するかの予測, タンパクポケット内のドッキングスコアによるエナンチオマーのランキングの4つのベンチマークを用いて実験を行った。
論文 参考訳(メタデータ) (2021-10-08T21:25:47Z) - Variational embedding of protein folding simulations using gaussian
mixture variational autoencoders [0.0]
生体分子配座の次元的低減とクラスタリングを同時に行う機械学習手法を考案する。
GMVAEはタンパク質の折りたたみによる自由エネルギー景観の少ない表現を学習できることを示す。
また, GMVAEの埋め込みは, 折り畳み状態と, 折り畳み状態と, 折り畳み状態との相似性を示した。
論文 参考訳(メタデータ) (2021-08-27T20:31:08Z) - Disentangling semantic features of macromolecules in Cryo-Electron
Tomography [7.804210995893708]
マクロ分子のセマンティックな特徴を明示的に切り離すことは、マクロ分子の下流解析を行う上で重要である。
本稿では, 高分子の構造, 配向, シフトを明示的に切り離す3次元空間変動オートエンコーダを提案する。
論文 参考訳(メタデータ) (2021-06-27T10:41:26Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Molecular CT: Unifying Geometry and Representation Learning for
Molecules at Different Scales [2.7535903504852053]
この目的のために新しいディープニューラルネットワークアーキテクチャである分子構成トランスフォーマー(分子ct)が導入された。
計算効率と普遍性は、様々な分子学習シナリオに分子CTを多用する。
例として、分子CTは分子系の異なるスケールでの表現学習を可能にし、共通ベンチマークで同等または改善された結果が得られることを示す。
論文 参考訳(メタデータ) (2020-12-22T03:41:16Z)
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。