論文の概要: EGR: Equivariant Graph Refinement and Assessment of 3D Protein Complex Structures

• arxiv url: http://arxiv.org/abs/2205.10390v1
• Date: Fri, 20 May 2022 18:11:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-05 23:30:19.721637
• Title: EGR: Equivariant Graph Refinement and Assessment of 3D Protein Complex Structures
• Title（参考訳）: EGR:3次元タンパク質複合体の等価グラフ微細化と評価
• Authors: Alex Morehead, Xiao Chen, Tianqi Wu, Jian Liu, Jianlin Cheng
• Abstract要約: タンパク質複合体のマルチタスク構造改善と評価のための新しいE(3)-equivariant Graph Neural Network(GNN)であるEquivariant Graph Refiner(EGR)を紹介する。 この研究で公開している新しい多種多様なタンパク質複合体データセットに関する実験は、EGRの最先端の有効性を実証している。
• 参考スコア（独自算出の注目度）: 8.494211223965703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Protein complexes are macromolecules essential to the functioning and well-being of all living organisms. As the structure of a protein complex, in particular its region of interaction between multiple protein subunits (i.e., chains), has a notable influence on the biological function of the complex, computational methods that can quickly and effectively be used to refine and assess the quality of a protein complex's 3D structure can directly be used within a drug discovery pipeline to accelerate the development of new therapeutics and improve the efficacy of future vaccines. In this work, we introduce the Equivariant Graph Refiner (EGR), a novel E(3)-equivariant graph neural network (GNN) for multi-task structure refinement and assessment of protein complexes. Our experiments on new, diverse protein complex datasets, all of which we make publicly available in this work, demonstrate the state-of-the-art effectiveness of EGR for atomistic refinement and assessment of protein complexes and outline directions for future work in the field. In doing so, we establish a baseline for future studies in macromolecular refinement and structure analysis.
• Abstract（参考訳）: タンパク質複合体は、すべての生物の機能と健康に必須の高分子である。 タンパク質複合体の構造として、特に複数のタンパク質サブユニット(すなわち鎖)間の相互作用領域は、複合体の生物学的機能に顕著な影響を与え、タンパク質複合体の3d構造の品質の精製と評価に迅速かつ効果的に使用できる計算手法は、新しい治療法の開発を加速し、将来のワクチンの有効性を向上させるために薬物発見パイプライン内で直接使用できる。 本研究では,マルチタスク構造改善のための新しいE3-equivariant Graph Neural Network (GNN) であるEquivariant Graph Refiner (EGR)を導入し,タンパク質複合体の評価を行う。 本研究で公開している新しい多種多様なタンパク質複合体データセットに関する実験は, タンパク質複合体の原子的精製および評価におけるEGRの最先端の有効性と今後の研究の方向性を示すものである。 そこで我々は,分子微細化と構造解析における今後の研究のベースラインを確立する。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Long-context Protein Language Model [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで我々は,選択的構造化状態空間モデルから構築した代替のタンパク質LMアーキテクチャであるBiMamba-Sに基づくLC-PLMを提案する。 また、第2段階のトレーニングのために、タンパク質-タンパク質相互作用グラフの文脈化を行うLC-PLM-Gも導入した。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• Functional Geometry Guided Protein Sequence and Backbone Structure Co-Design [12.585697288315846]
  本稿では,自動検出機能部位に基づくタンパク質配列と構造を共同設計するモデルを提案する。 NAEProは、全シーケンスでグローバルな相関を捉えることができる、注目層と同変層のインターリービングネットワークによって駆動される。 実験結果から,本モデルは全競技種の中で,最高アミノ酸回収率,TMスコア,最低RMSDを実現していることがわかった。
  論文  参考訳（メタデータ） (2023-10-06T16:08:41Z)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• 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)
• DProQ: A Gated-Graph Transformer for Protein Complex Structure Assessment [7.988932562855392]
  DProQは、3Dタンパク質複合体の質を予測するために設計されたゲート近傍変調グラフ変換器(GGT)である。 グラフメッセージパッシング時の情報フローを制御するために,新しいグラフトランスフォーマフレームワークにノードゲートとエッジゲートを組み込んだ。 我々の厳密な実験は、DProQがタンパク質複合体のランク付けにおいて最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-05-21T15:41:46Z)
• 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)
• PersGNN: Applying Topological Data Analysis and Geometric Deep Learning to Structure-Based Protein Function Prediction [0.07340017786387766]
  本研究では,タンパク質構造を分離し,タンパク質データバンク内のタンパク質の機能的アノテーションを作成する。 本稿では,グラフ表現学習とトポロジカルデータ解析を組み合わせた,エンドツーエンドのトレーニング可能なディープラーニングモデルPersGNNを提案する。
  論文  参考訳（メタデータ） (2020-10-30T02:24:35Z)
• 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。