Fugu-MT 論文翻訳(概要): Long Short-Term Memory to predict 3D Amino acids Positions in GPCR Molecular Dynamics

論文の概要: Long Short-Term Memory to predict 3D Amino acids Positions in GPCR Molecular Dynamics

arxiv url: http://arxiv.org/abs/2207.05682v1
Date: Thu, 2 Jun 2022 16:40:10 GMT
ステータス: 処理完了
システム内更新日: 2023-02-10 22:39:12.096492
Title: Long Short-Term Memory to predict 3D Amino acids Positions in GPCR Molecular Dynamics
Title（参考訳）: GPCR分子動力学における3次元アミノ酸位置の長期記憶
Authors: Juan Manuel L\'opez-Correa, Caroline K\"onig and Alfredo Vellido
Abstract要約: LSTM(Long Short-Term Memory Networks)を評価し、受容体の分子動的軌跡を学習し、予測する。モデルは、非ダイナミックな3D予測における最先端技術に匹敵する、堅牢な性能を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: G-Protein Coupled Receptors (GPCRs) are a big family of eukaryotic cell transmembrane proteins, responsible for numerous biological processes. From a practical viewpoint around 34\% of the drugs approved by the US Food and Drug Administration target these receptors. They can be analyzed from their simulated molecular dynamics, including the prediction of their behavior in the presence of drugs. In this paper, the capability of Long Short-Term Memory Networks (LSTMs) are evaluated to learn and predict the molecular dynamic trajectories of a receptor. Several models were trained with the 3D position of the amino acids of the receptor considering different transformations on the position of the amino acid, such as their centers of mass, the geometric centers and the position of the $\alpha$--carbon for each amino acid. The error of the prediction of the position was evaluated by the mean average error (MAE) and root-mean-square deviation (RMSD). The LSTM models show a robust performance, with results comparable to the state-of-the-art in non-dynamic 3D predictions. The best MAE and RMSD values were found for the mass center of the amino acids with 0.078 {\AA} and 0.156 {\AA} respectively. This work shows the potential of LSTM to predict the molecular dynamics of GPRCs.
Abstract（参考訳）: G-Protein Coupled Receptors(GPCR)は真核生物の細胞膜タンパク質の1つである。実用的な観点からは、アメリカ食品医薬品局が承認した薬の34\%がこれらの受容体を標的としている。それらは、薬物の存在下での挙動の予測を含む、分子動力学シミュレーションから分析することができる。本稿では,Long Short-Term Memory Networks(LSTM)の能力を評価し,受容体の分子動力学を学習し,予測する。アミノ酸の中心、幾何学的中心、各アミノ酸に対する$\alpha$-carbonの位置など、アミノ酸の位置に異なる変換を考慮し、受容体のアミノ酸の3次元位置を訓練した。推定誤差は平均平均誤差(MAE)と平均平方偏差(RMSD)で評価した。 LSTMモデルは、非動的3次元予測における最先端技術に匹敵する、堅牢な性能を示す。アミノ酸の質量中心のMAE値とRMSD値はそれぞれ0.078.AA} と0.156.AA} であった。この研究は、GPRCの分子動力学を予測するLSTMの可能性を示す。

関連論文リスト

Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文参考訳（メタデータ） (2024-11-03T01:56:15Z)
Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文参考訳（メタデータ） (2024-05-23T13:22:17Z)
SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
論文参考訳（メタデータ） (2023-12-12T09:33:54Z)
MATE-Pred: Multimodal Attention-based TCR-Epitope interaction Predictor [1.933856957193398]
T細胞受容体と細胞間の正確な結合予測は、免疫療法の成功戦略に決定的に寄与する。本稿では,T細胞受容体と親和性結合機構の注意に基づく予測を行う,信頼性の高い新しい手法であるMATE-Predを提案する。 MATE-Predのパフォーマンスは、薬物発見における潜在的な応用を予想している。
論文参考訳（メタデータ） (2023-12-05T11:30:00Z)
GPCR-BERT: Interpreting Sequential Design of G Protein Coupled Receptors Using Protein Language Models [5.812284760539713]
我々はGPCR結合受容体(GPCR)のシーケンシャル設計を理解するためのGPCR-BERTモデルを開発した。 GPCRはFDAが承認した医薬品の3分の1以上を標的としている。我々は、結合ポケットの残基と保存モチーフのいくつかの関係について光を当てることができた。
論文参考訳（メタデータ） (2023-10-30T18:28:50Z)
From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
論文参考訳（メタデータ） (2022-08-19T14:55:12Z)
Evaluating Performance of Machine Learning Models for Diabetic Sensorimotor Polyneuropathy Severity Classification using Biomechanical Signals during Gait [3.468954927186232]
糖尿病性感作性ポリニューロパチー(DSPN)は、糖尿病患者によって引き起こされる神経障害の一形態である。我々は,EMGとGRFデータを用いてDSPN患者を識別する機械学習技術を提案する。筋電図解析では, GL, VL, TAの筋肉を併用し, トップ14の特徴を用いた92.89%の精度が得られた。 GRF分析では、GRFx, GRFy, GRFz信号から抽出した特徴の組み合わせについて、トップ15の特徴を用いて94.78%の精度を示した。
論文参考訳（メタデータ） (2022-05-21T12:35:28Z)
Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文参考訳（メタデータ） (2022-05-17T13:08:28Z)
Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文参考訳（メタデータ） (2022-02-13T04:56:18Z)
Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文参考訳（メタデータ） (2021-10-14T13:28:02Z)
Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
論文参考訳（メタデータ） (2021-08-25T14:05:37Z)

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。