Fugu-MT 論文翻訳(概要): Equivariant Graph Neural Networks for 3D Macromolecular Structure

論文の概要: Equivariant Graph Neural Networks for 3D Macromolecular Structure

arxiv url: http://arxiv.org/abs/2106.03843v1
Date: Mon, 7 Jun 2021 17:57:04 GMT
ステータス: 処理完了
システム内更新日: 2021-06-08 17:27:05.301775
Title: Equivariant Graph Neural Networks for 3D Macromolecular Structure
Title（参考訳）: 3次元高分子構造のための等価なグラフニューラルネットワーク
Authors: Bowen Jing, Stephan Eismann, Pratham N. Soni, Ron O. Dror
Abstract要約: 幾何ベクトルパーセプトロンの研究を拡張し、構造生物学から幅広いタスクに等変グラフニューラルネットワークを適用した。提案手法は,ATOM3Dベンチマークの8つのタスクのうち4つのタスクにおいて参照アーキテクチャよりも優れており,回転不変グラフニューラルネットワークよりも広範囲に改善されている。
参考スコア（独自算出の注目度）: 2.064612766965483
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Representing and reasoning about 3D structures of macromolecules is emerging as a distinct challenge in machine learning. Here, we extend recent work on geometric vector perceptrons and apply equivariant graph neural networks to a wide range of tasks from structural biology. Our method outperforms all reference architectures on 4 out of 8 tasks in the ATOM3D benchmark and broadly improves over rotation-invariant graph neural networks. We also demonstrate that transfer learning can improve performance in learning from macromolecular structure.
Abstract（参考訳）: マクロ分子の3d構造の表現と推論は、機械学習において明らかな課題として現れています。本稿では,幾何ベクトルパーセプトロンに関する最近の研究を拡張し,構造生物学の幅広いタスクに等変グラフニューラルネットワークを適用する。提案手法は,atom3dベンチマークで8タスク中4タスク中,すべての参照アーキテクチャを上回り,回転不変グラフニューラルネットワークを広範に改善する。また,移動学習が高分子構造からの学習性能を向上させることを示す。

関連論文リスト

Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングでますます人気が高まっている。本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
論文参考訳（メタデータ） (2024-03-06T10:36:56Z)
A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文参考訳（メタデータ） (2023-12-12T18:44:19Z)
A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
等変GNNの表現力を評価するための3次元同型階層を提案する。我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
論文参考訳（メタデータ） (2023-04-07T18:08:27Z)
Equivariant Graph Attention Networks for Molecular Property Prediction [0.34376560669160383]
大きさの異なる3D分子構造について学ぶことは、機械学習、特に薬物発見における新たな課題である。本稿では,カルテシアン座標を用いた等変グラフニューラルネットワーク(GNN)を提案する。小分子の量子力学的性質の予測におけるアーキテクチャの有効性を実証し,タンパク質複合体などの高分子構造に関する問題に対するその利点を示す。
論文参考訳（メタデータ） (2022-02-20T19:07:29Z)
Orientation-Aware Graph Neural Networks for Protein Structure Representation Learning [29.366321002562373]
タンパク質構造の幾何学的特性をよりよく把握するために,オリエンテーション対応グラフニューラルネットワーク(OAGNN)を提案する。スカラーから3次元ベクトルへの1つの重みを拡張し、幾何学的に意味のある演算のリッチなセットを構築する。実験により、OAGNNは古典的ネットワークと比較して幾何方向の特徴を感知する優れた能力を持っていることが示された。
論文参考訳（メタデータ） (2022-01-28T13:41:56Z)
Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文参考訳（メタデータ） (2021-12-14T14:48:08Z)
E(n) Equivariant Graph Neural Networks [86.75170631724548]
本稿では,E(n)-Equivariant Graph Neural Networks (EGNNs) と呼ばれる回転,翻訳,反射,置換に等価なグラフニューラルネットワークを学習する新しいモデルを提案する。既存の手法とは対照的に、私たちの仕事は計算的に高価な中間層における高階表現を必要としません。
論文参考訳（メタデータ） (2021-02-19T10:25:33Z)
ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
近年、深層ニューラルネットワークが注目されている。本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
論文参考訳（メタデータ） (2020-12-07T20:18:23Z)
Learning from Protein Structure with Geometric Vector Perceptrons [6.5360079597553025]
幾何学的ベクトルパーセプトロンを導入し、標準密度層を拡張してユークリッドベクトルの集合を演算する。本稿では,タンパク質構造から学習する際の2つの重要な問題として,モデル品質評価と計算タンパク質設計について述べる。
論文参考訳（メタデータ） (2020-09-03T01:54:25Z)
Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
論文参考訳（メタデータ） (2020-06-12T00:17:59Z)

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。