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。

関連論文リスト

• Dynamic-Backbone Protein-Ligand Structure Prediction with Multiscale Generative Diffusion Models [68.28309982199902]
  本稿では,タンパク質-リガンド複合体の構造とそのゆらぎを高速に予測する深層生成モデルフレームワークを提案する。 以上の結果から,データ駆動型アプローチはタンパク質と小分子間の構造的協調性を捉えることができることがわかった。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Heterogeneous reconstruction of deformable atomic models in Cryo-EM [30.864688165021054]
  変形を少数の集団運動に還元した原子論的な表現に基づく異種再構成法について述べる。 各分布について、我々の手法が原子レベルの精度で中間原子モデルを再カプセル化可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-29T22:35:35Z)
• 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)
• 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)
• 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)
• Spherical convolutions on molecular graphs for protein model quality assessment [0.0]
  本研究では,分子グラフとして表されるタンパク質の3次元モデルを処理する球状グラフ畳み込みネットワーク(S-GCN)を提案する。 タンパク質モデル品質評価問題の枠組みの中で,提案した球面畳み込み法がモデル評価の質を著しく向上することを示す。
  論文  参考訳（メタデータ） (2020-11-16T14:22:36Z)

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。