論文の概要: MAS2HP: A Multi Agent System to predict protein structure in 2D HP model
- arxiv url: http://arxiv.org/abs/2205.08451v1
- Date: Wed, 11 May 2022 05:17:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-22 13:20:19.330556
- Title: MAS2HP: A Multi Agent System to predict protein structure in 2D HP model
- Title（参考訳）: MAS2HP:2次元HPモデルにおけるタンパク質構造予測のためのマルチエージェントシステム
- Authors: Hossein Parineh, Nasser Mozayani
- Abstract要約: 本稿では,2次元疎水性-親水性モデルにおけるエージェント・ベース・モデリング(ABM)を用いたタンパク質構造予測の新しい手法を提案する。
我々はこのアルゴリズムを2次元疎水性-親水性格子モデルにおいて20-50メルのベンチマークシーケンスで検証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Protein Structure Prediction (PSP) is an unsolved problem in the field of
computational biology. The problem of protein structure prediction is about
predicting the native conformation of a protein, while its sequence of amino
acids is known. Regarding processing limitations of current computer systems,
all-atom simulations for proteins are typically unpractical; several reduced
models of proteins have been proposed. Additionally, due to intrinsic hardness
of calculations even in reduced models, many computational methods mainly based
on artificial intelligence have been proposed to solve the problem. Agent-based
modeling is a relatively new method for modeling systems composed of
interacting items. In this paper we proposed a new approach for protein
structure prediction by using agent-based modeling (ABM) in two dimensional
hydrophobic-hydrophilic model. We broke the whole process of protein structure
prediction into two steps: the first step, which was introduced in our previous
paper, is about biasing the linear sequence to gain a primary energy, and the
next step, which will be explained in this paper, is about using ABM with a
predefined set of rules, to find the best conformation in the least possible
amount of time and steps. This method was implemented in NETLOGO. We have
tested this algorithm on several benchmark sequences ranging from 20 to 50-mers
in two dimensional Hydrophobic-Hydrophilic lattice models. Comparing to the
result of the other algorithms, our method is capable of finding the best known
conformations in a significantly shorter time. A major problem in PSP
simulation is that as the sequence length increases the time consumed to
predict a valid structure will exponentially increase. In contrast, by using
MAS2HP the effect of increase in sequence length on spent time has changed from
exponentially to linear.
- Abstract（参考訳）: タンパク質構造予測 (psp) は計算生物学の分野で未解決の問題である。
タンパク質構造予測の問題はタンパク質のネイティブコンフォメーションを予測することであり、そのアミノ酸の配列は知られている。
現在のコンピュータシステムの処理限界に関して、タンパク質の全ての原子シミュレーションは一般的に実践的ではなく、いくつかのタンパク質の縮小モデルが提案されている。
さらに, 還元モデルにおいても計算が本質的に困難であることから, 主に人工知能に基づく計算手法が提案されている。
エージェントベースモデリングは、相互作用するアイテムからなるシステムの比較的新しいモデリング方法である。
本稿では,2次元疎水性-親水性モデルにおけるエージェントベースモデリング(ABM)を用いたタンパク質構造予測の新しい手法を提案する。
先述の論文で紹介された最初のステップは一次エネルギーを得るために線形配列を偏らせることであり、次のステップは、事前定義されたルールセットでabmを使用し、可能な限りの時間とステップで最適なコンフォーメーションを見つけることである。
この方法はNETLOGOで実装された。
我々はこのアルゴリズムを2次元疎水性-親水性格子モデルにおいて20-50メルのベンチマークシーケンスで検証した。
提案手法は,他のアルゴリズムと比較して,非常に短い時間で最もよく知られたコンフォメーションを見つけることができる。
pspシミュレーションの大きな問題は、シーケンス長が増加すると、有効な構造を予測するのに費やされる時間が指数関数的に増加することである。
対照的にmas2hpを用いることで、使用時間に対するシーケンス長の増加が指数関数的に線形に変化した。
関連論文リスト
- Structure Language Models for Protein Conformation Generation [66.42864253026053]
伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。
深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。
本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
論文 参考訳（メタデータ） (2024-10-24T03:38:51Z) - PatchProt: Hydrophobic patch prediction using protein foundation models [0.0]
タンパク質表面上の疎水性パッチは、タンパク質-タンパク質とタンパク質-リガンド相互作用において重要な機能的役割を担っている。
微調整基礎モデルは、新しいタスクの特定のニュアンスにモデルを適応させることができる。
マルチタスクのディープラーニングは、データギャップに対処するための有望なソリューションを提供する。
論文 参考訳（メタデータ） (2024-05-24T20:37:02Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - An approach to solve the coarse-grained Protein folding problem in a
Quantum Computer [0.0]
タンパク質の構造や酵素を理解することは、標的とした医薬品の設計、タンパク質関連疾患のメカニズムの解明、新規酵素の革新において重要な役割を担っている。
AIに基づくタンパク質構造予測手法の最近の進歩により、タンパク質の折り畳み問題はある程度解決されているが、配列の類似度が低いタンパク質の構造を決定する精度は限られている。
本研究では,より小さなタンパク質配列の構造を予測するために,ゲートベースの量子コンピュータ上で動作可能なターンベース符号化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-11-23T18:20:05Z) - Navigating protein landscapes with a machine-learned transferable
coarse-grained model [29.252004942896875]
同様の予測性能を持つ粗粒度(CG)モデルは、長年にわたる課題である。
ケミカルトランスポータビリティを持つボトムアップCG力場を開発し,新しい配列の分子動力学に利用することができる。
本モデルでは, 折り畳み構造, 中間体, メタスタブル折り畳み型および折り畳み型流域, 内在的に不規則なタンパク質のゆらぎの予測に成功している。
論文 参考訳（メタデータ） (2023-10-27T17:10:23Z) - 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) - 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) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳（メタデータ） (2021-05-11T03:40:29Z) - Interpretable Structured Learning with Sparse Gated Sequence Encoder for
Protein-Protein Interaction Prediction [2.9488233765621295]
アミノ酸配列から情報表現を学習することでタンパク質-タンパク質相互作用(PPI)を予測することは、生物学において難しいが重要な問題である。
我々は、シーケンスのみからPPIをモデル化し、予測するための新しいディープフレームワークを提案する。
本モデルでは,シーケンスからコンテキスト化およびシーケンシャル情報を活用することによってシーケンス表現を学習するための双方向ゲート再帰ユニットを組み込んだ。
論文 参考訳（メタデータ） (2020-10-16T17:13:32Z) - 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) - Lattice protein design using Bayesian learning [0.0]
タンパク質設計は3次元構造予測の逆アプローチであり、3次元構造とアミノ酸配列の関係を解明する。
本稿では,ベイズ学習を用いた新しい統計力学的設計法を提案する。
水の化学的ポテンシャルと表面残基数との間に強い線形性を見出した結果,タンパク質構造と水分子の効果の関係が明らかになった。
論文 参考訳（メタデータ） (2020-03-14T10:27:40Z)
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。