Fugu-MT 論文翻訳(概要): Deep learning based mixed-dimensional GMM for characterizing variability in CryoEM

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