論文の概要: Analyzing Host-Viral Interactome of SARS-CoV-2 for Identifying Vulnerable Host Proteins during COVID-19 Pathogenesis

• arxiv url: http://arxiv.org/abs/2102.03253v1
• Date: Fri, 5 Feb 2021 15:57:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 12:52:49.041454
• Title: Analyzing Host-Viral Interactome of SARS-CoV-2 for Identifying Vulnerable Host Proteins during COVID-19 Pathogenesis
• Title（参考訳）: SARS-CoV-2の宿主-ウイルス間相互作用の解析
• Authors: Jayanta Kumar Das, Swarup Roy, Pietro Hiram Guzzi
• Abstract要約: 感染機構に関与する遺伝子やタンパク質の同定は、複雑な分子機構に光を流す鍵となる。 我々は、キータンパク質を同定し、中心タンパク質の機能強化を行うネットワーク中央度を計算した。 我々は、COVID19は複雑な疾患であり、RBX1、HSPA5、ITCH、RAB7A、RAB5A、RAB8A、PSMC5、CAPZB、CANX、IGF2R、HSPA1Aなど、中枢性および多発性疾患に関連する多くの治療標的を強調した。
• 参考スコア（独自算出の注目度）: 2.0711877803169134
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The development of therapeutic targets for COVID-19 treatment is based on the understanding of the molecular mechanism of pathogenesis. The identification of genes and proteins involved in the infection mechanism is the key to shed out light into the complex molecular mechanisms. The combined effort of many laboratories distributed throughout the world has produced the accumulation of both protein and genetic interactions. In this work we integrate these available results and we obtain an host protein-protein interaction network composed by 1432 human proteins. We calculate network centrality measures to identify key proteins. Then we perform functional enrichment of central proteins. We observed that the identified proteins are mostly associated with several crucial pathways, including cellular process, signalling transduction, neurodegenerative disease. Finally, we focused on proteins involved in causing disease in the human respiratory tract. We conclude that COVID19 is a complex disease, and we highlighted many potential therapeutic targets including RBX1, HSPA5, ITCH, RAB7A, RAB5A, RAB8A, PSMC5, CAPZB, CANX, IGF2R, HSPA1A, which are central and also associated with multiple diseases
• Abstract（参考訳）: COVID-19治療のための治療目標の開発は、病因の分子メカニズムの理解に基づいています。 感染機構に関与する遺伝子やタンパク質の同定は、複雑な分子機構に光を放出するための鍵です。 世界中に分布する多くの研究所の努力が組み合わさって、タンパク質と遺伝的相互作用の蓄積を生み出している。 本研究では,これらの結果を統合し,1432個のヒトタンパク質からなる宿主タンパク質相互作用ネットワークを得る。 キータンパク質の同定のためのネットワーク中央度を算出した。 その後、中枢タンパク質の機能強化を行います。 同定されたタンパク質は、主に細胞プロセス、シグナル伝達、神経変性疾患を含むいくつかの重要な経路に関連している。 最後に,ヒト呼吸器疾患の原因となるタンパク質について検討した。 我々は、COVID19は複雑な疾患であると結論付け、RBX1、HSPA5、ITCH、RAB7A、RAB5A、RAB8A、PSMC5、CAPZB、CANX、IGF2R、HSPA1Aなどの多くの潜在的な治療目標を強調しました。

関連論文リスト

• Long-context Protein Language Model [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで我々は,選択的構造化状態空間モデルから構築した代替のタンパク質LMアーキテクチャであるBiMamba-Sに基づくLC-PLMを提案する。 また、第2段階のトレーニングのために、タンパク質-タンパク質相互作用グラフの文脈化を行うLC-PLM-Gも導入した。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• ProtLLM: An Interleaved Protein-Language LLM with Protein-as-Word Pre-Training [82.37346937497136]
  本稿では,タンパク質中心タスクとタンパク質言語タスクの両方を対象とした多機能多言語多言語言語モデル (LLM) を提案する。 ProtLLMはユニークな動的タンパク質実装機構を備えており、複雑な入力を処理できる。 専門的なタンパク質語彙を開発することで、自然言語だけでなく、膨大な候補からタンパク質を予測できる能力をモデルに装備する。
  論文  参考訳（メタデータ） (2024-02-28T01:29:55Z)
• Effective Protein-Protein Interaction Exploration with PPIretrieval [46.07027715907749]
  PPIretrievalはタンパク質とタンパク質の相互作用を探索する最初の深層学習モデルである。 PPIretrievalは、埋め込み空間における潜在的なPPIを探し、タンパク質表面の豊富な幾何学的および化学的情報を収集する。
  論文  参考訳（メタデータ） (2024-02-06T03:57:06Z)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• Learning the shape of protein micro-environments with a holographic convolutional neural network [0.0]
  本稿では,タンパク質のホログラフィック畳み込みニューラルネットワーク(H-CNN)を紹介する。 H-CNNは、タンパク質構造におけるアミノ酸の嗜好をモデル化するための、物理的に動機付けられた機械学習アプローチである。 タンパク質複合体の安定性や結合を含むタンパク質機能に対する突然変異の影響を正確に予測する。
  論文  参考訳（メタデータ） (2022-11-05T16:29:15Z)
• 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)
• Analysis of Coronavirus Envelope Protein with Cellular Automata (CA) Model [0.0]
  SARS Covid(2019 CoV-2)とSARS Covid(2003 CoV)とMERS Covid(2012 MERS)は、構造タンパク質で報告された突然変異に起因する。 CoV-2の69位にあるアミノ酸Rの代わりにCoVの69-70位にあるアミノ酸対EGが、現在の調査の主要な決定要因として同定されている。
  論文  参考訳（メタデータ） (2022-01-15T19:07:18Z)
• A multitask transfer learning framework for the prediction of virus-human protein-protein interactions [0.30586855806896046]
  我々は、約2400万のタンパク質配列の情報と、ヒトの相互作用系からの相互作用パターンを利用する転写学習手法を開発した。 我々は、ヒトタンパク質とタンパク質の相互作用を観測する確率を最大化することを目的とした追加の目的を用いる。 実験結果から,本モデルがウイルス-ヒト-ヒト-ヒト-タンパク質相互作用予測タスクに有効であることが示された。
  論文  参考訳（メタデータ） (2021-11-26T07:53:51Z)
• Deep Contextual Learners for Protein Networks [16.599890339599586]
  本稿では,タンパク質の埋め込みに細胞および組織コンテキストを注入するグラフニューラルメッセージパッシングアプローチであるAWAREを紹介する。 AWAREは、タンパク質、細胞型、組織埋め込みを学習し、細胞型と組織階層を保持する。 AWAREは、遺伝子が疾患に関連付けられているか、そして人体に最も出現する可能性が最も高いかを予測するための新しい課題について実証する。
  論文  参考訳（メタデータ） (2021-06-04T04:26:27Z)
• Computational modeling of Human-nCoV protein-protein interaction network [17.875102234550305]
  新型コロナウイルスは、2020年に死亡率と死亡率の高い世界的なパンデミックを生み出した。 ICTVは、nCoVは2003年のSARS-CoV流行と非常によく似ていると宣言している。
  論文  参考訳（メタデータ） (2020-05-05T04:16:21Z)

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。