論文の概要: Neural Upscaling from Residue-level Protein Structure Networks to Atomistic Structure

• arxiv url: http://arxiv.org/abs/2109.06700v1
• Date: Wed, 25 Aug 2021 23:43:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-19 13:42:30.581574
• Title: Neural Upscaling from Residue-level Protein Structure Networks to Atomistic Structure
• Title（参考訳）: 残基レベルのタンパク質構造ネットワークから原子構造へのニューラルアップスケーリング
• Authors: Vy Duong, Elizabeth Diessner, Gianmarc Grazioli, Rachel W. Martin, and Carter T. Butts
• Abstract要約: 神経のアップスケーリング」は、内在的に混乱したタンパク質の詳細な構造情報を効果的に再カプセル化することができる。 以上の結果から,タンパク質の構造と動態のスケーラブルなネットワークモデルが,原子論的な詳細が望まれる環境で利用される可能性が示唆された。
• 参考スコア（独自算出の注目度）: 2.087827281461409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coarse-graining is a powerful tool for extending the reach of dynamic models of proteins and other biological macromolecules. Topological coarse-graining, in which biomolecules or sets thereof are represented via graph structures, is a particularly useful way of obtaining highly compressed representations of molecular structure, and simulations operating via such representations can achieve substantial computational savings. A drawback of coarse-graining, however, is the loss of atomistic detail - an effect that is especially acute for topological representations such as protein structure networks (PSNs). Here, we introduce an approach based on a combination of machine learning and physically-guided refinement for inferring atomic coordinates from PSNs. This "neural upscaling" procedure exploits the constraints implied by PSNs on possible configurations, as well as differences in the likelihood of observing different configurations with the same PSN. Using a 1 $\mu$s atomistic molecular dynamics trajectory of A$\beta_{1-40}$, we show that neural upscaling is able to effectively recapitulate detailed structural information for intrinsically disordered proteins, being particularly successful in recovering features such as transient secondary structure. These results suggest that scalable network-based models for protein structure and dynamics may be used in settings where atomistic detail is desired, with upscaling employed to impute atomic coordinates from PSNs.
• Abstract（参考訳）: 粗粒化はタンパク質や他の生体高分子の動的モデルの範囲を広げる強力なツールである。 生体分子またはそれらの集合がグラフ構造を介して表されるトポロジカル粗粒化は、分子構造の高度に圧縮された表現を得るための特に有用な方法であり、そのような表現を介して操作されるシミュレーションは、実質的な計算節約を達成することができる。 しかし、粗粒化の欠点は、特にタンパク質構造ネットワーク(psns)のようなトポロジカルな表現に対する影響である原子的詳細の喪失である。 そこで本研究では,PSNから原子座標を推定するための,機械学習と物理誘導改良を組み合わせたアプローチを提案する。 この "neural upscaling" 手順は、PSNが考えられる構成に関する制約と、同じPSNで異なる構成を観察する可能性の違いを利用する。 1$\mu$s atomistic molecular dynamics trajectory of A$\beta_{1-40}$を用いて、ニューラルアップスケーリングは、内因的に乱れたタンパク質の詳細な構造情報を効果的に再カプセル化することができ、過渡的な二次構造のような特徴の回復に成功していることを示す。 これらの結果から,タンパク質の構造と動態のスケーラブルなネットワークモデルが,PSNから原子座標をインプットするために,原子論的な詳細が望まれる環境で用いられる可能性が示唆された。

関連論文リスト

• The Latent Road to Atoms: Backmapping Coarse-grained Protein Structures with Latent Diffusion [19.85659309869674]
  潜伏拡散バックマッピング(LDB)は、これらの課題に対処するために潜伏空間内での拡散をデノナイズする新しいアプローチである。 3つの異なるタンパク質データセット上でLDBの最先端性能を評価する。 計算生物学におけるCGシミュレーションと原子レベル解析のギャップを効果的に埋め、LDBをバックマッピングのための強力でスケーラブルなアプローチとして位置づけた。
  論文  参考訳（メタデータ） (2024-10-17T06:38:07Z)
• AMARO: All Heavy-Atom Transferable Neural Network Potentials of Protein Thermodynamics [2.874893537471256]
  全原子分子シミュレーションはマクロ分子現象に関する詳細な知見を提供するが、その計算コストは複雑な生物学的過程の探索を妨げる。 我々は,O(3)等価なメッセージパッシングネットワークアーキテクチャと,水素原子を排除した粗粒度マップを組み合わせた,新しいニューラルネットワークポテンシャル(NNP)であるAMARO(Advanced Machine-learning Atomic Omni-force Representation-field)を紹介する。 AMAROは、エネルギー用語を使わずに、拡張性と一般化機能を備えた安定なタンパク質力学を実行するための訓練粗大化NNPの実現可能性を実証している。
  論文  参考訳（メタデータ） (2024-09-26T13:58:06Z)
• A DNN Biophysics Model with Topological and Electrostatic Features [0.0]
  このモデルは、タンパク質の構造情報と力場によって生成される多スケールおよび均一なトポロジカルおよび静電気的特徴を使用する。 4000以上のタンパク質構造上の機械学習シミュレーションは、これらの特徴の効率性と忠実さを示している。 このモデルは、生物物理学的性質と幅広い生体分子の機能予測を支援する一般的なツールとしての可能性を示している。
  論文  参考訳（メタデータ） (2024-09-05T16:11:40Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• 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)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• PersGNN: Applying Topological Data Analysis and Geometric Deep Learning to Structure-Based Protein Function Prediction [0.07340017786387766]
  本研究では,タンパク質構造を分離し,タンパク質データバンク内のタンパク質の機能的アノテーションを作成する。 本稿では,グラフ表現学習とトポロジカルデータ解析を組み合わせた,エンドツーエンドのトレーニング可能なディープラーニングモデルPersGNNを提案する。
  論文  参考訳（メタデータ） (2020-10-30T02:24:35Z)
• 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)

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。