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

• Assessing interaction recovery of predicted protein-ligand poses [0.39331876802505306]
  タンパク質-リガンド相互作用指紋を無視するとモデル性能が過大評価される可能性が示唆された。 本研究では,タンパク質-リガンド相互作用指紋の無視がモデル性能の過大評価につながることを示す。
  論文  参考訳（メタデータ） (2024-09-30T12:06:13Z)
• 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)
• 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)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• 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)
• 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)
• 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)
• 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。