論文の概要: Directed Weight Neural Networks for Protein Structure Representation
Learning
- arxiv url: http://arxiv.org/abs/2201.13299v1
- Date: Fri, 28 Jan 2022 13:41:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 16:18:28.275786
- Title: Directed Weight Neural Networks for Protein Structure Representation
Learning
- Title(参考訳): タンパク質構造表現学習のための重み付きニューラルネットワーク
- Authors: Jiahan Li, Shitong Luo, Congyue Deng, Chaoran Cheng, Jiaqi Guan,
Leonidas Guibas, Jian Peng, Jianzhu Ma
- Abstract要約: 本稿では,様々なアミノ酸間の幾何学的関係をよりよく捉えるために,ダイレクトウェイトニューラルネットワークを提案する。
我々の新しいフレームワークは、古典的特徴とSO(3)-表現的特徴の両方において、豊富な幾何学的操作をサポートする。
タンパク質3D構造に関する様々な計算生物学の応用における最先端の性能を達成する。
- 参考スコア(独自算出の注目度): 16.234990522729348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A protein performs biological functions by folding to a particular 3D
structure. To accurately model the protein structures, both the overall
geometric topology and local fine-grained relations between amino acids (e.g.
side-chain torsion angles and inter-amino-acid orientations) should be
carefully considered. In this work, we propose the Directed Weight Neural
Network for better capturing geometric relations among different amino acids.
Extending a single weight from a scalar to a 3D directed vector, our new
framework supports a rich set of geometric operations on both classical and
SO(3)--representation features, on top of which we construct a perceptron unit
for processing amino-acid information. In addition, we introduce an equivariant
message passing paradigm on proteins for plugging the directed weight
perceptrons into existing Graph Neural Networks, showing superior versatility
in maintaining SO(3)-equivariance at the global scale. Experiments show that
our network has remarkably better expressiveness in representing geometric
relations in comparison to classical neural networks and the (globally)
equivariant networks. It also achieves state-of-the-art performance on various
computational biology applications related to protein 3D structures.
- Abstract(参考訳): タンパク質は、特定の3D構造に折り畳んで生物学的機能を発揮する。
タンパク質構造を正確にモデル化するには、全体的な幾何学的トポロジーとアミノ酸間の局所的細粒度関係(例えば、側鎖ねじれ角とアミノ酸間配向)の両方を慎重に考慮すべきである。
本研究では,異なるアミノ酸間の幾何学的関係をよりよく捉えるために,有向重みニューラルネットワークを提案する。
スカラーから3次元指向ベクトルへの単一重み拡張により,新しいフレームワークは,古典的および so(3)-表現的特徴の両方に対する幾何学的操作の豊富な集合をサポートし,その上にアミノ酸情報を処理するためのパーセプトロンユニットを構築する。
さらに,有向重みを既存のグラフニューラルネットワークに接続するためのタンパク質に同変メッセージパッシングパラダイムを導入し,グローバルスケールでのSO(3)-等価性の維持に優れた長所を示す。
実験により,従来のニューラルネットワークや(グローバルに)等価ネットワークと比較して,幾何学的関係を表現する上で,ネットワークの表現性が著しく向上することが示された。
また、タンパク質3D構造に関連する様々な計算生物学応用の最先端性能も達成している。
関連論文リスト
- A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳(メタデータ) (2023-12-12T18:44:19Z) - EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for
Ligand Binding Site Prediction [36.08979503853887]
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。
特に、EquiPocketは3つのモジュールから構成されており、最初のモジュールは各表面原子の局所的な幾何学情報を抽出し、2番目のモジュールはタンパク質の化学的構造と空間的構造の両方をモデル化し、最後のモジュールは表面の幾何学を捉える。
論文 参考訳(メタデータ) (2023-02-23T17:18:26Z) - 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) - G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
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。
論文 参考訳(メタデータ) (2021-06-22T16:52:48Z) - Spherical convolutions on molecular graphs for protein model quality
assessment [0.0]
本研究では,分子グラフとして表されるタンパク質の3次元モデルを処理する球状グラフ畳み込みネットワーク(S-GCN)を提案する。
タンパク質モデル品質評価問題の枠組みの中で,提案した球面畳み込み法がモデル評価の質を著しく向上することを示す。
論文 参考訳(メタデータ) (2020-11-16T14:22:36Z) - Learning from Protein Structure with Geometric Vector Perceptrons [6.5360079597553025]
幾何学的ベクトルパーセプトロンを導入し、標準密度層を拡張してユークリッドベクトルの集合を演算する。
本稿では,タンパク質構造から学習する際の2つの重要な問題として,モデル品質評価と計算タンパク質設計について述べる。
論文 参考訳(メタデータ) (2020-09-03T01:54:25Z) - Deep Learning of High-Order Interactions for Protein Interface
Prediction [58.164371994210406]
本稿では,タンパク質界面の予測を2次元密度予測問題として定式化する。
タンパク質をグラフとして表現し、グラフニューラルネットワークを用いてノードの特徴を学習する。
我々は高次対相互作用を組み込んで、異なる対相互作用を含む3次元テンソルを生成する。
論文 参考訳(メタデータ) (2020-07-18T05:39:35Z) - 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。
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。