論文の概要: GraphVAMPNet, using graph neural networks and variational approach to markov processes for dynamical modeling of biomolecules

• arxiv url: http://arxiv.org/abs/2201.04609v1
• Date: Wed, 12 Jan 2022 18:28:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-13 15:36:53.645031
• Title: GraphVAMPNet, using graph neural networks and variational approach to markov processes for dynamical modeling of biomolecules
• Title（参考訳）: グラフニューラルネットワークを用いたグラフVAMPNetと生体分子の動的モデリングのためのマルコフ過程への変分アプローチ
• Authors: Mahdi Ghorbani, Samarjeet Prasad, Jeffery B. Klauda, Bernard R. Brooks
• Abstract要約: VAMPNetと呼ばれる教師なし機械学習技術は、低次元表現と線形力学モデルをエンドツーエンドで学習するために導入された。 VAMPNetはマルコフプロセス(VAMP)に対する変動的アプローチに基づいており、粗い粒度のダイナミクスを学ぶためにニューラルネットワークに依存している。 この貢献により、VAMPNetとグラフニューラルネットワークを組み合わせてエンドツーエンドのフレームワークを生成し、長期間の分子動力学軌道から高レベルダイナミクスと準安定状態の学習を効率的に行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding low dimensional representation of data from long-timescale trajectories of biomolecular processes such as protein-folding or ligand-receptor binding is of fundamental importance and kinetic models such as Markov modeling have proven useful in describing the kinetics of these systems. Recently, an unsupervised machine learning technique called VAMPNet was introduced to learn the low dimensional representation and linear dynamical model in an end-to-end manner. VAMPNet is based on variational approach to Markov processes (VAMP) and relies on neural networks to learn the coarse-grained dynamics. In this contribution, we combine VAMPNet and graph neural networks to generate an end-to-end framework to efficiently learn high-level dynamics and metastable states from the long-timescale molecular dynamics trajectories. This method bears the advantages of graph representation learning and uses graph message passing operations to generate an embedding for each datapoint which is used in the VAMPNet to generate a coarse-grained representation. This type of molecular representation results in a higher resolution and more interpretable Markov model than the standard VAMPNet enabling a more detailed kinetic study of the biomolecular processes. Our GraphVAMPNet approach is also enhanced with an attention mechanism to find the important residues for classification into different metastable states.
• Abstract（参考訳）: タンパク質フォールディングやリガンド受容体結合などの生体分子過程の長期的軌跡からデータの低次元表現を見つけることは基本的重要であり、マルコフモデリングのような運動モデルがこれらの系の運動学を記述する上で有用であることが証明されている。 近年,低次元表現と線形力学モデルをエンドツーエンドで学習するために,教師なし機械学習技術であるvampnetが導入された。 VAMPNetはマルコフプロセス(VAMP)に対する変動的アプローチに基づいており、粗い粒度のダイナミクスを学ぶためにニューラルネットワークに依存している。 この貢献により、VAMPNetとグラフニューラルネットワークを組み合わせてエンドツーエンドのフレームワークを生成し、長期間の分子動力学軌道から高レベルダイナミクスと準安定状態の学習を効率的に行う。 この方法はグラフ表現学習の利点を生かし、グラフメッセージパッシング操作を用いてVAMPNetで使用される各データポイントへの埋め込みを生成し、粗い粒度の表現を生成する。 この種の分子表現は、標準のVAMPNetよりも高分解能で解釈可能なマルコフモデルとなり、生体分子過程のより詳細な速度論的研究を可能にした。 我々のGraphVAMPNetアプローチは、異なる準安定状態に分類するための重要な残基を見つけるための注意機構によって強化されている。

関連論文リスト

• Graph Representation Learning Strategies for Omics Data: A Case Study on Parkinson's Disease [13.630617713928197]
  グラフニューラルネットワークは、古典的な統計学と機械学習の方法に代わる有望な代替手段として登場した。 本研究では,ケースコントロール分類のためのグラフ表現学習モデルについて検討する。 タンパク質-タンパク質相互作用やメタボライト-メタボライト相互作用を含む,サンプル類似性ネットワークと分子相互作用ネットワークから得られたトポロジーを比較した。
  論文  参考訳（メタデータ） (2024-06-20T16:06:39Z)
• Large Scale Training of Graph Neural Networks for Optimal Markov-Chain Partitioning Using the Kemeny Constant [1.8606770727950463]
  我々は,マルコフ連鎖のグラフ分割問題に対処するGNNアーキテクチャをいくつか提案する。 このアプローチは、提案されたパーティショニングがケメニー定数をどの程度変更するかを最小化することを目的としている。 線形層を持つグラフSAGEベースのGNNが、この文脈でより大きく、より表現力に富んだアテンションベースモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-22T17:19:50Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations [21.936437653875245]
  本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。 本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。 本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
  論文  参考訳（メタデータ） (2023-02-22T12:59:38Z)
• Spiking Graph Convolutional Networks [19.36064180392385]
  SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。 ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-05T16:44:36Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Adversarial Stein Training for Graph Energy Models [11.182263394122142]
  我々は、多チャネルグラフニューラルネットワーク(GNN)に基づくエネルギーベースモデル(EBM)を用いて、グラフ上の不変な非正規化密度関数の置換を学習する。 提案手法は,ベンチマークモデルと比較して,グラフ生成における競合的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-08-30T03:55:18Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• 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)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。