Fugu-MT 論文翻訳(概要): Leveraging deep learning for fully automated NMR protein structure determination

論文の概要: Leveraging deep learning for fully automated NMR protein structure determination

arxiv url: http://arxiv.org/abs/2201.12041v1
Date: Fri, 28 Jan 2022 11:08:50 GMT
ステータス: 処理完了
システム内更新日: 2022-01-31 16:08:08.065902
Title: Leveraging deep learning for fully automated NMR protein structure determination
Title（参考訳）: 完全自動NMRタンパク質構造決定のためのディープラーニングの活用
Authors: Piotr Klukowski, Roland Riek, Peter G\"untert
Abstract要約: 核磁気共鳴分光法(NMR)は構造生物学における主要な技術の一つである。 NMRは溶液、生体細胞、固体中の中小タンパク質の構造と動態を解明することができる。通常、NMR測定をタンパク質構造に変えるには数週間から数ヶ月の作業が必要です。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Nuclear Magnetic Resonance (NMR) spectroscopy is one of the major techniques in structural biology with over 11800 protein structures deposited in the Protein Data Bank. NMR can elucidate structures and dynamics of small and medium size proteins in solution, living cells, and solids, but has been limited by the tedious data analysis process. It typically requires weeks or months of manual work of trained expert to turn NMR measurements into a protein structure. Automation of this process is an open problem, formulated in the field over 30 years ago. Here, we present the first approach that addresses this challenge. Our method, ARTINA, uses as input only NMR spectra and the protein sequence, delivering a structure strictly without any human intervention. Tested on a 100-protein benchmark (1329 2D/3D/4D NMR spectra), ARTINA demonstrated its ability to solve structures with 1.44 {\AA} median RMSD to the PDB reference and 91.36% correct NMR resonance assignments. ARTINA can be used by non-experts, reducing the effort for a protein structure determination by NMR essentially to the preparation of the sample and the spectra measurements.
Abstract（参考訳）: 核磁気共鳴分光法は、タンパク質データバンクに11800以上のタンパク質構造が蓄積された構造生物学における主要な技術の一つである。 NMRは溶液、生体細胞、固体中の中小タンパク質の構造と動態を解明することができるが、退屈なデータ解析プロセスによって制限されている。通常、NMR測定をタンパク質構造に変えるには、訓練された専門家の手作業が数週間から数ヶ月かかる。このプロセスの自動化は、30年以上前にこの分野で定式化されたオープンな問題です。ここでは、この課題に対処する最初のアプローチを示す。本手法はnmrスペクトルとタンパク質配列のみを入力として使用し,人間の介入なしに構造を厳密に伝達する。 100タンパク質のベンチマーク (1329 2D/3D/4D NMRスペクトル) で、ARTINAは、PDB基準に1.44 {\AA} 中央のRMSDと91.36%の正しいNMR共鳴割り当てを持つ構造を解く能力を示した。 ARTINAは非専門家によって使用することができ、NMRによるタンパク質構造決定の労力を、基本的に試料とスペクトルの測定のために削減することができる。

関連論文リスト

ProtT3: Protein-to-Text Generation for Text-based Protein Understanding [88.43323947543996]
言語モデル(LM)は、タンパク質のテキスト記述を理解するのに優れている。タンパク質言語モデル(PLM)は、タンパク質データを理解し、高品質な表現に変換するが、テキストを処理するのに苦労する。 ProtT3は、テキストベースのタンパク質理解のための、タンパク質からテキストへの生成のためのフレームワークである。
論文参考訳（メタデータ） (2024-05-21T08:06:13Z)
Clustering for Protein Representation Learning [72.72957540484664]
本稿では,タンパク質の臨界成分を自動的に検出するニューラルネットワーククラスタリングフレームワークを提案する。我々のフレームワークはタンパク質をグラフとして扱い、各ノードはアミノ酸を表し、各エッジはアミノ酸間の空間的またはシーケンシャルな接続を表す。タンパク質の折り畳み分類, 酵素反応分類, 遺伝子期予測, 酵素コミッショニング数予測の4つの課題について検討した。
論文参考訳（メタデータ） (2024-03-30T05:51:09Z)
NaNa and MiGu: Semantic Data Augmentation Techniques to Enhance Protein Classification in Graph Neural Networks [60.48306899271866]
本稿では,背骨化学および側鎖生物物理情報をタンパク質分類タスクに組み込む新しい意味データ拡張手法を提案する。具体的には, 分子生物学的, 二次構造, 化学結合, およびタンパク質のイオン特性を活用し, 分類作業を容易にする。
論文参考訳（メタデータ） (2024-03-21T13:27:57Z)
AI-enabled prediction of NMR spectroscopy: Deducing 2-D NMR of carbohydrate [7.470166291890153]
高度な機械学習と予測アルゴリズムを駆使したAI駆動NMR予測は、NMRスペクトルの解釈を根本的に変えた。本手法は, 単糖由来の小分子, オリゴ糖, および多糖類の両方に有効である。 2次元NMRの生成に関わる複雑な性質を考えると、我々の目標は、NMRスペクトル分析の精度、効率、理解性を高めるために、AIの可能性を完全に活用することである。
論文参考訳（メタデータ） (2024-03-17T21:52:51Z)
Carbohydrate NMR chemical shift predictions using E(3) equivariant graph neural networks [0.0]
この研究は、E(3)同変グラフニューラルネットワークを利用して炭水化物NMRスペクトルを予測する新しいアプローチを導入する。特に,従来のモデルと比較して,平均絶対誤差を最大3倍に削減した。この含意は、炭水化物の構造とスペクトル解釈の高度な理解を超えている。
論文参考訳（メタデータ） (2023-11-21T15:01:14Z)
FFF: Fragments-Guided Flexible Fitting for Building Complete Protein Structures [10.682516227941592]
タンパク質構造予測とタンパク質構造認識を柔軟に組み合わせた新しいFFF法を提案する。まず、入力された3次元Cryo-EMマップから様々な構造的特徴を捉えるために、マルチレベル認識ネットワークを使用する。次に、これらの特徴に基づいて擬似ペプチドベクターとタンパク質配列アライメント法を用いてタンパク質構造断片を生成する。
論文参考訳（メタデータ） (2023-08-07T15:10:21Z)
Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。 pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文参考訳（メタデータ） (2023-02-03T10:49:52Z)
On the Robustness of AlphaFold: A COVID-19 Case Study [16.564151738086434]
高い精度にもかかわらず、AlphaFoldはそのような堅牢性を示していないことを実証する。これにより、予測されたタンパク質構造が信頼される範囲を検知し定量化することが困難になる。
論文参考訳（メタデータ） (2023-01-10T17:31:39Z)
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)
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)
Identification of 1H-NMR Spectra of Xyloglucan Oligosaccharides: A Comparative Study of Artificial Neural Networks and Bayesian Classification Using Nonparametric Density Estimation [0.2578242050187029]
キシログルカンオリゴ糖類(キシログルカンオリゴ糖類)として知られる複雑な炭水化物群に対する,最初の独立したコンピュータ支援自動識別システムについて報告する。このシステムは、Artificial Neural Networks(ANN)技術を使用し、1H-NMR分光における計測器と環境依存の変動に敏感である。
論文参考訳（メタデータ） (2020-07-30T16:29:04Z)

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。