論文の概要: Functional Protein Structure Annotation Using a Deep Convolutional Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2104.08969v1
• Date: Sun, 18 Apr 2021 22:18:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 05:47:06.033894
• Title: Functional Protein Structure Annotation Using a Deep Convolutional Generative Adversarial Network
• Title（参考訳）: Deep Convolutional Generative Adversarial Network を用いた機能的タンパク質構造アノテーション
• Authors: Ethan Moyer, Jeff Winchell, Isamu Isozaki, Yigit Alparslan, Mali Halac, and Edward Kim
• Abstract要約: 機能性に基づいてタンパク質構造を分類するDeep Convolutional Generative Adversarial Network (DCGAN)の利用について紹介する。 我々は,DCGANを3次元デコイおよびネイティブタンパク構造で訓練し,3次元タンパク構造の生成と識別を行う。
• 参考スコア（独自算出の注目度）: 4.3871352596331255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying novel functional protein structures is at the heart of molecular engineering and molecular biology, requiring an often computationally exhaustive search. We introduce the use of a Deep Convolutional Generative Adversarial Network (DCGAN) to classify protein structures based on their functionality by encoding each sample in a grid object structure using three features in each object: the generic atom type, the position atom type, and its occupancy relative to a given atom. We train DCGAN on 3-dimensional (3D) decoy and native protein structures in order to generate and discriminate 3D protein structures. At the end of our training, loss converges to a local minimum and our DCGAN can annotate functional proteins robustly against adversarial protein samples. In the future we hope to extend the novel structures we found from the generator in our DCGAN with more samples to explore more granular functionality with varying functions. We hope that our effort will advance the field of protein structure prediction.
• Abstract（参考訳）: 新規の機能的タンパク質構造を同定することは分子工学と分子生物学の中心であり、しばしば計算的に網羅的な探索を必要とする。 本稿では, 汎用原子型, 位置原子型, 特定の原子に対する占有率の3つの特徴を用いて, 各試料をグリッドオブジェクト構造に符号化することにより, それらの機能に基づいてタンパク質構造を分類するために, DCGAN(Deep Convolutional Generative Adversarial Network)を導入する。 我々は,DCGANを3次元デコイおよびネイティブタンパク構造で訓練し,3次元タンパク構造の生成と識別を行う。 トレーニングの終了時に損失は局所的な最小限に収束し,DCGANは機能タンパク質に対して強いアノテートを行うことができる。 将来的には、DCGANのジェネレータから見つかった新しい構造をより多くのサンプルで拡張して、さまざまな機能を持つより詳細な機能を探りたいと思っています。 我々はタンパク質構造予測の分野を前進させることを願っている。

関連論文リスト

• Geometric Self-Supervised Pretraining on 3D Protein Structures using Subgraphs [26.727436310732692]
  本稿では,3次元タンパク質構造上の3次元グラフニューラルネットワークを事前学習するための自己教師型手法を提案する。 提案手法が6%までの大幅な改善につながることを実験的に示す。
  論文  参考訳（メタデータ） (2024-06-20T09:34:31Z)
• NaNa and MiGu: Semantic Data Augmentation Techniques to Enhance Protein Classification in Graph Neural Networks [60.48306899271866]
  本稿では,背骨化学および側鎖生物物理情報をタンパク質分類タスクに組み込む新しい意味データ拡張手法を提案する。 具体的には, 分子生物学的, 二次構造, 化学結合, およびタンパク質のイオン特性を活用し, 分類作業を容易にする。
  論文  参考訳（メタデータ） (2024-03-21T13:27:57Z)
• 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)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• Generating Novel, Designable, and Diverse Protein Structures by Equivariantly Diffusing Oriented Residue Clouds [0.0]
  構造に基づくタンパク質設計は、設計可能で、新規で多様な構造を見つけることを目的としている。 生成モデルは、複雑なデータの低次元構造を暗黙的に学習することで、魅力的な代替手段を提供する。 我々は,3次元空間における配向参照フレームの雲を用いて離散時間拡散を行うタンパク質構造の生成モデルであるGenieを開発する。
  論文  参考訳（メタデータ） (2023-01-29T16:44:19Z)
• 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)
• G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
  本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。 本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:52:48Z)
• Protein model quality assessment using rotation-equivariant, hierarchical neural networks [8.373439916313018]
  本稿では,タンパク質モデルの品質を評価するための新しい深層学習手法を提案する。 提案手法は,最近のCASPラウンドに投入されたタンパク質モデルを評価することによって,最先端の成果を得る。
  論文  参考訳（メタデータ） (2020-11-27T05:03:53Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。