論文の概要: G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation

• arxiv url: http://arxiv.org/abs/2106.11920v1
• Date: Tue, 22 Jun 2021 16:52:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-23 14:53:53.737333
• Title: G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation
• Title（参考訳）: タンパク質構造生成のための幾何学的畳み込みVAEG-VAE
• Authors: Hao Huang, Boulbaba Ben Amor, Xichan Lin, Fan Zhu, Yi Fang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.66010308405784
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Analyzing the structure of proteins is a key part of understanding their functions and thus their role in biology at the molecular level. In addition, design new proteins in a methodical way is a major engineering challenge. In this work, we introduce a joint geometric-neural networks approach for comparing, deforming and generating 3D protein structures. Viewing protein structures as 3D open curves, we adopt the Square Root Velocity Function (SRVF) representation and leverage its suitable geometric properties along with Deep Residual Networks (ResNets) for a joint registration and comparison. Our ResNets handle better large protein deformations while being more computationally efficient. On top of the mathematical framework, we further design a Geometric Variational Auto-Encoder (G-VAE), that once trained, maps original, previously unseen structures, into a low-dimensional (latent) hyper-sphere. Motivated by the spherical structure of the pre-shape space, we naturally adopt the von Mises-Fisher (vMF) distribution to model our hidden variables. We test the effectiveness of our models by generating novel protein structures and predicting completions of corrupted protein structures. Experimental results show that our method is able to generate plausible structures, different from the structures in the training data.
• Abstract（参考訳）: タンパク質の構造を分析することは、その機能を理解する上で重要な要素であり、分子レベルでの生物学における役割である。 さらに、新しいタンパク質を体系的に設計することが大きな工学的課題である。 本研究では,3dタンパク質構造の比較,変形,生成のための共同幾何神経ネットワーク法を提案する。 タンパク質構造を3次元開曲線とみなし,Square Root Velocity Function (SRVF) 表現を採用し,その幾何学的特性とDeep Residual Networks (ResNets) を併用して共同登録と比較を行った。 私たちのResNetsは、より計算効率が良いながら、より大きなタンパク質の変形を処理します。 数学的な枠組みの上に、幾何変分オートエンコーダ(G-VAE)を設計し、トレーニングを完了し、元の未確認構造を低次元(相対)超球面にマッピングする。 プレシェイプ空間の球面構造に動機づけられた我々は自然にvon Mises-Fisher (vMF) 分布を用いて隠れた変数をモデル化する。 新規なタンパク質構造を生成し, 崩壊したタンパク質構造の完成を予測することによって, モデルの有効性を検証した。 実験の結果,本手法はトレーニングデータ内の構造とは異なる,妥当な構造を生成できることが判明した。

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)
• EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction [49.674494450107005]
  標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。 本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。
  論文  参考訳（メタデータ） (2023-02-23T17:18:26Z)
• 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)
• Integration of Pre-trained Protein Language Models into Geometric Deep Learning Networks [68.90692290665648]
  我々は、タンパク質言語モデルから学んだ知識を、いくつかの最先端の幾何学的ネットワークに統合する。 以上の結果から,ベースラインを20%上回る総合的な改善が見られた。 強い証拠は、タンパク質言語モデルの知識を取り入れることで、幾何学的ネットワークの能力が著しく向上することを示している。
  論文  参考訳（メタデータ） (2022-12-07T04:04:04Z)
• 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)
• Functional Protein Structure Annotation Using a Deep Convolutional Generative Adversarial Network [4.3871352596331255]
  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。
  論文  参考訳（メタデータ） (2021-04-18T22:18:52Z)
• 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)
• 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。