論文の概要: Orientation-Aware Graph Neural Networks for Protein Structure Representation Learning

• arxiv url: http://arxiv.org/abs/2201.13299v6
• Date: Tue, 04 Feb 2025 12:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:55:12.200235
• Title: Orientation-Aware Graph 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配向型グラフ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: タンパク質構造の幾何学的特性をよりよく把握するために,オリエンテーション対応グラフニューラルネットワーク(OAGNN)を提案する。 スカラーから3次元ベクトルへの1つの重みを拡張し、幾何学的に意味のある演算のリッチなセットを構築する。 実験により、OAGNNは古典的ネットワークと比較して幾何方向の特徴を感知する優れた能力を持っていることが示された。
• 参考スコア（独自算出の注目度）: 29.366321002562373
• License:
• Abstract: By folding into particular 3D structures, proteins play a key role in living beings. To learn meaningful representation from a protein structure for downstream tasks, not only the global backbone topology but the local fine-grained orientational relations between amino acids should also be considered. In this work, we propose the Orientation-Aware Graph Neural Networks (OAGNNs) to better sense the geometric characteristics in protein structure (e.g. inner-residue torsion angles, inter-residue orientations). Extending a single weight from a scalar to a 3D vector, we construct a rich set of geometric-meaningful operations to process both the classical and SO(3) representations of a given structure. To plug our designed perceptron unit into existing Graph Neural Networks, we further introduce an equivariant message passing paradigm, showing superior versatility in maintaining SO(3)-equivariance at the global scale. Experiments have shown that our OAGNNs have a remarkable ability to sense geometric orientational features compared to classical networks. OAGNNs have also achieved state-of-the-art performance on various computational biology applications related to protein 3D structures. The code is available at https://github.com/Ced3-han/OAGNN/tree/main.
• Abstract（参考訳）: 特定の3D構造に折り畳むことで、タンパク質は生物において重要な役割を果たす。 下流タスクのためのタンパク質構造から意味のある表現を学ぶためには、グローバルなバックボーントポロジーだけでなく、アミノ酸間の局所的な微細な配向関係も考慮する必要がある。 本研究では,タンパク質構造の幾何学的特性(例えば,内部残留ねじれ角,残差方向など)をよりよく把握するオリエンテーション・アウェア・グラフニューラルネットワーク(OAGNN)を提案する。 スカラーから3次元ベクトルへの1つの重みを拡張し、与えられた構造の古典的およびSO(3)表現を処理するために、幾何学的に意味のある演算のリッチな集合を構築する。 設計したパーセプトロンユニットを既存のグラフニューラルネットワークにプラグインするために、我々はさら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汎用性を示す。 実験により、OAGNNは古典的ネットワークと比較して幾何方向の特徴を感知する優れた能力を持っていることが示された。 OAGNNは、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パフォーマンスも達成している。 コードはhttps://github.com/Ced3-han/OAGNN/tree/mainで公開されている。

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 [49.674494450107005]
  標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。 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。
  論文  参考訳（メタデータ） (2023-02-23T17:18:26Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Orthogonal Graph Neural Networks [53.466187667936026]
  グラフニューラルネットワーク(GNN)は,ノード表現の学習において優れていたため,大きな注目を集めている。 より畳み込み層を積み重ねることで、GNNのパフォーマンスが大幅に低下する。 本稿では,モデルトレーニングの安定化とモデル一般化性能の向上のために,既存のGNNバックボーンを拡張可能なOrtho-GConvを提案する。
  論文  参考訳（メタデータ） (2021-09-23T12:39:01Z)
• 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)
• 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。