論文の概要: Learning Unknown from Correlations: Graph Neural Network for
Inter-novel-protein Interaction Prediction
- arxiv url: http://arxiv.org/abs/2105.06709v1
- Date: Fri, 14 May 2021 08:42:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-17 19:37:47.494885
- Title: Learning Unknown from Correlations: Graph Neural Network for
Inter-novel-protein Interaction Prediction
- Title(参考訳): 相関から未知の学習:タンパク質間相互作用予測のためのグラフニューラルネットワーク
- Authors: Guofeng Lv, Zhiqiang Hu, Yanguang Bi, Shaoting Zhang
- Abstract要約: 既存のメソッドは、見えないデータセットでテストすると、パフォーマンスが大幅に低下します。
本稿では,タンパク質間相互作用予測のためのグラフニューラルネットワーク(GNN-PPI)を提案する。
- 参考スコア(独自算出の注目度): 7.860159889216291
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study of multi-type Protein-Protein Interaction (PPI) is fundamental for
understanding biological processes from a systematic perspective and revealing
disease mechanisms. Existing methods suffer from significant performance
degradation when tested in unseen dataset. In this paper, we investigate the
problem and find that it is mainly attributed to the poor performance for
inter-novel-protein interaction prediction. However, current evaluations
overlook the inter-novel-protein interactions, and thus fail to give an
instructive assessment. As a result, we propose to address the problem from
both the evaluation and the methodology. Firstly, we design a new evaluation
framework that fully respects the inter-novel-protein interactions and gives
consistent assessment across datasets. Secondly, we argue that correlations
between proteins must provide useful information for analysis of novel
proteins, and based on this, we propose a graph neural network based method
(GNN-PPI) for better inter-novel-protein interaction prediction. Experimental
results on real-world datasets of different scales demonstrate that GNN-PPI
significantly outperforms state-of-the-art PPI prediction methods, especially
for the inter-novel-protein interaction prediction.
- Abstract(参考訳): 多型蛋白質-タンパク質相互作用(ppi)の研究は、系統的な観点からの生物学的過程の理解と疾患メカニズムの解明に基礎を置いている。
既存のメソッドは、未発見のデータセットでテストされた場合、大幅なパフォーマンス低下に苦しむ。
本稿では,この問題について検討し,その原因は主にタンパク質間相互作用の予測性能の低下によるものであることを示す。
しかし、現在の評価では、ノベル-タンパク質間相互作用は見過ごされており、指導的評価は行わない。
その結果,評価手法と方法論の両方からこの問題に対処することを提案する。
まず,タンパク質間相互作用を完全に尊重し,データセット間で一貫した評価を行う新しい評価フレームワークを設計する。
第2に,タンパク質間の相関関係は新規タンパク質の解析に有用な情報を提供しなければならないと論じ,これに基づいて,タンパク質間の相互作用を予測するグラフニューラルネットワーク(GNN-PPI)を提案する。
異なるスケールの実世界のデータセットに対する実験結果から、GNN-PPIは最先端のPPI予測法、特にノーベルタンパク質間相互作用予測において著しく優れていることが示された。
関連論文リスト
- PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for
Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。
既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。
CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-13T03:51:10Z) - Improved K-mer Based Prediction of Protein-Protein Interactions With
Chaos Game Representation, Deep Learning and Reduced Representation Bias [0.0]
本稿では,対話データセットからユニークなペアを抽出し,非バイアス付き機械学習のための非冗長なペアデータを生成する手法を提案する。
我々は,タンパク質のコード遺伝子のカオスゲーム表現から相互作用を学習し,予測できる畳み込みニューラルネットワークモデルを開発した。
論文 参考訳(メタデータ) (2023-10-23T10:02:23Z) - SemiGNN-PPI: Self-Ensembling Multi-Graph Neural Network for Efficient
and Generalizable Protein-Protein Interaction Prediction [16.203794286288815]
タンパク質とタンパク質の相互作用(PPI)は様々な生物学的プロセスにおいて重要であり、その研究は薬物開発や疾患の診断に重要な意味を持つ。
既存のディープラーニング手法は、複雑な実世界のシナリオ下での大幅なパフォーマンス劣化に悩まされる。
本稿では,PPIの効率と一般化性を両立させつつ,PPIを効果的に予測できる自己認識型マルチグラフニューラルネットワーク(SemiGNN-PPI)を提案する。
論文 参考訳(メタデータ) (2023-05-15T03:06:44Z) - A Supervised Machine Learning Approach for Sequence Based
Protein-protein Interaction (PPI) Prediction [4.916874464940376]
計算タンパク質間相互作用(PPI)予測技術は、時間、コスト、偽陽性相互作用の低減に大きく貢献する。
提案したソリューションをSeqPIPコンペティションの結果とともに紹介した。
論文 参考訳(メタデータ) (2022-03-23T18:27:25Z) - Decoding the Protein-ligand Interactions Using Parallel Graph Neural
Networks [6.460973806588082]
PLI予測のための知識表現と推論を統合するための新しい並列グラフニューラルネットワーク(GNN)を提案する。
本手法は, 先行候補の行動, 有効性, 生物物理特性を予測するための, 解釈可能な, 説明可能な人工知能(AI)ツールとして機能する。
論文 参考訳(メタデータ) (2021-11-30T06:02:04Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Structure-aware Interactive Graph Neural Networks for the Prediction of
Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。
近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。
ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文 参考訳(メタデータ) (2021-07-21T03:34:09Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳(メタデータ) (2021-02-08T15:09:07Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-10-25T02:15:24Z) - Deep Learning of High-Order Interactions for Protein Interface
Prediction [58.164371994210406]
本稿では,タンパク質界面の予測を2次元密度予測問題として定式化する。
タンパク質をグラフとして表現し、グラフニューラルネットワークを用いてノードの特徴を学習する。
我々は高次対相互作用を組み込んで、異なる対相互作用を含む3次元テンソルを生成する。
論文 参考訳(メタデータ) (2020-07-18T05:39:35Z)
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。