Fugu-MT 論文翻訳(概要): A new method for binary classification of proteins with Machine Learning

論文の概要: A new method for binary classification of proteins with Machine Learning

arxiv url: http://arxiv.org/abs/2111.01976v1
Date: Wed, 3 Nov 2021 01:58:34 GMT
ステータス: 処理完了
システム内更新日: 2021-11-04 23:13:36.948291
Title: A new method for binary classification of proteins with Machine Learning
Title（参考訳）: 機械学習によるタンパク質の2値分類法
Authors: Damiano Perri, Marco Simonetti, Andrea Lombardi, Noelia Faginas-Lago, Osvaldo Gervasi
Abstract要約: 本研究では,ディープラーニング手法を用いてタンパク質構造を分類する手法を提案する。私たちの人工知能は、タンパク質データバンク(PDB)データベースから外挿された複雑な生体分子構造を認識し、イメージとして再処理するように訓練されています。この目的のために、これらの画像から重要な特徴を抽出し、分子を正しく分類するために、InceptionResNetV2やInceptionV3のような事前訓練された畳み込みニューラルネットワークを用いて様々な試験が行われた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work we set out to find a method to classify protein structures using a Deep Learning methodology. Our Artificial Intelligence has been trained to recognize complex biomolecule structures extrapolated from the Protein Data Bank (PDB) database and reprocessed as images; for this purpose various tests have been conducted with pre-trained Convolutional Neural Networks, such as InceptionResNetV2 or InceptionV3, in order to extract significant features from these images and correctly classify the molecule. A comparative analysis of the performances of the various networks will therefore be produced.
Abstract（参考訳）: 本研究では,深層学習法を用いてタンパク質構造を分類する方法を見出した。我々の人工知能は、タンパク質データバンク(PDB)データベースから外挿された複雑な生体分子構造を画像として認識するよう訓練されており、この目的のために、インセプションResNetV2やインセプションV3といった事前訓練された畳み込みニューラルネットワークを用いて、これらの画像から重要な特徴を抽出し、分子を正しく分類するために、様々な試験が行われた。従って、様々なネットワークのパフォーマンスの比較分析が作成される。

関連論文リスト

Recent advances in interpretable machine learning using structure-based protein representations [30.907048279915312]
機械学習(ML)の最近の進歩は、構造生物学の分野を変えつつある。タンパク質3D構造を低分解能から高分解能に表現する様々な方法を提案する。本稿では,タンパク質構造,タンパク質機能,タンパク質-タンパク質相互作用の予測などのタスクを解釈可能なML手法がどのようにサポートするかを示す。
論文参考訳（メタデータ） (2024-09-26T10:56:27Z)
Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。生体受容の分野からインスピレーションを得る手法を提案する。
論文参考訳（メタデータ） (2024-01-18T18:06:22Z)
A Systematic Study of Joint Representation Learning on Protein Sequences and Structures [38.94729758958265]
効果的なタンパク質表現の学習は、タンパク質機能の予測のような生物学の様々なタスクにおいて重要である。近年, タンパク質言語モデル(PLM)に基づく配列表現学習法は, 配列ベースタスクでは優れているが, タンパク質構造に関わるタスクへの直接適応は依然として困難である。本研究は、最先端のPLMと異なる構造エンコーダを統合することで、結合タンパク質表現学習の包括的研究を行う。
論文参考訳（メタデータ） (2023-03-11T01:24:10Z)
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 multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文参考訳（メタデータ） (2022-05-24T00:00:07Z)
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)
Structure-aware Protein Self-supervised Learning [50.04673179816619]
本稿では,タンパク質の構造情報を取得するための構造認識型タンパク質自己教師学習法を提案する。特に、タンパク質構造情報を保存するために、よく設計されたグラフニューラルネットワーク(GNN)モデルを事前訓練する。タンパク質言語モデルにおける逐次情報と特別に設計されたGNNモデルにおける構造情報との関係を,新しい擬似二段階最適化手法を用いて同定する。
論文参考訳（メタデータ） (2022-04-06T02:18:41Z)
Binary classification of proteins by a Machine Learning approach [0.0]
本稿では,タンパク質データバンクに含まれるタンパク質の記述に基づいてアミノ酸のタンパク質鎖を分類するシステムを提案する。それぞれのタンパク質は、XML形式でのファイルの化学・物理・幾何学的特性で完全に記述されている。この研究の目的は、大量のデータの収集と管理のためのディープラーニング機械を設計し、そのアミノ酸配列の分類への応用を通じてそれを検証することである。
論文参考訳（メタデータ） (2021-11-03T01:58:16Z)
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)
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。