論文の概要: Identifying Orientation-specific Lipid-protein Fingerprints using Deep
Learning
- arxiv url: http://arxiv.org/abs/2207.06630v1
- Date: Thu, 14 Jul 2022 03:01:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 14:53:54.687455
- Title: Identifying Orientation-specific Lipid-protein Fingerprints using Deep
Learning
- Title(参考訳): 深層学習を用いたオリエンテーション特異的脂質タンパク質指紋の同定
- Authors: Fikret Aydin (1), Konstantia Georgouli (1), Gautham Dharuman (1),
James N. Glosli (1), Felice C. Lightstone (1), Helgi I. Ing\'olfsson (1),
Peer-Timo Bremer (2), Harsh Bhatia (2) ((1) Physical & Life Sciences,
Lawrence Livermore National Laboratory, (2) Center for Applied Scientific
Computing, Lawrence Livermore National Laboratory)
- Abstract要約: 我々のディープラーニングモデルは、全体の精度が80%を超える6つのタンパク質状態を予測することができる。
この研究の成果は、タンパク質が脂質環境をどう調節するかの新しい知見を提供する。
- 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: Improved understanding of the relation between the behavior of RAS and RAF
proteins and the local lipid environment in the cell membrane is critical for
getting insights into the mechanisms underlying cancer formation. In this work,
we employ deep learning (DL) to learn this relationship by predicting protein
orientational states of RAS and RAS-RAF protein complexes with respect to the
lipid membrane based on the lipid densities around the protein domains from
coarse-grained (CG) molecular dynamics (MD) simulations. Our DL model can
predict six protein states with an overall accuracy of over 80%. The findings
of this work offer new insights into how the proteins modulate the lipid
environment, which in turn may assist designing novel therapies to regulate
such interactions in the mechanisms associated with cancer development.
- Abstract(参考訳): 細胞膜におけるRASとRAFタンパク質の挙動と局所脂質環境の関係の理解の改善は、がん形成のメカニズムを理解する上で重要である。
本研究では,粗粒分子動力学(MD)シミュレーションから,タンパク質ドメイン周辺の脂質密度に基づいて,RASおよびRAFタンパク質複合体のタンパク質配向状態を予測することによって,この関係を深層学習(DL)を用いて学習する。
dlモデルは6つのタンパク質状態を80%以上の精度で予測できる。
この研究の知見は、タンパク質が脂質環境をどのように調節するかに関する新たな知見を提供し、がん発生に関わるメカニズムにおいてそのような相互作用を制御する新しい治療法を設計するのに役立つかもしれない。
関連論文リスト
- Effective Protein-Protein Interaction Exploration with PPIretrieval [46.07027715907749]
PPIretrievalはタンパク質とタンパク質の相互作用を探索する最初の深層学習モデルである。
PPIretrievalは、埋め込み空間における潜在的なPPIを探し、タンパク質表面の豊富な幾何学的および化学的情報を収集する。
論文 参考訳(メタデータ) (2024-02-06T03:57:06Z) - Improved K-mer Based Prediction of Protein-Protein Interactions With
Chaos Game Representation, Deep Learning and Reduced Representation Bias [0.0]
本稿では,対話データセットからユニークなペアを抽出し,非バイアス付き機械学習のための非冗長なペアデータを生成する手法を提案する。
我々は,タンパク質のコード遺伝子のカオスゲーム表現から相互作用を学習し,予測できる畳み込みニューラルネットワークモデルを開発した。
論文 参考訳(メタデータ) (2023-10-23T10:02:23Z) - Growing ecosystem of deep learning methods for modeling
protein$\unicode{x2013}$protein interactions [0.0]
本稿では,タンパク質相互作用をモデル化する深層学習手法のエコシステムを論じる。
新たな相互作用を発見し、物理的なメカニズムを調節し、エンジニアのバインダーがそれらの機能を解き放つ機会がある。
論文 参考訳(メタデータ) (2023-10-10T15:53:27Z) - Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。
pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。
実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文 参考訳(メタデータ) (2023-02-03T10:49:52Z) - 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 the shape of protein micro-environments with a holographic
convolutional neural network [0.0]
本稿では,タンパク質のホログラフィック畳み込みニューラルネットワーク(H-CNN)を紹介する。
H-CNNは、タンパク質構造におけるアミノ酸の嗜好をモデル化するための、物理的に動機付けられた機械学習アプローチである。
タンパク質複合体の安定性や結合を含むタンパク質機能に対する突然変異の影響を正確に予測する。
論文 参考訳(メタデータ) (2022-11-05T16:29:15Z) - 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) - EGR: Equivariant Graph Refinement and Assessment of 3D Protein Complex
Structures [8.494211223965703]
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。
論文 参考訳(メタデータ) (2022-05-20T18:11:41Z) - Structure-aware Protein Self-supervised Learning [50.04673179816619]
本稿では,タンパク質の構造情報を取得するための構造認識型タンパク質自己教師学習法を提案する。
特に、タンパク質構造情報を保存するために、よく設計されたグラフニューラルネットワーク(GNN)モデルを事前訓練する。
タンパク質言語モデルにおける逐次情報と特別に設計されたGNNモデルにおける構造情報との関係を,新しい擬似二段階最適化手法を用いて同定する。
論文 参考訳(メタデータ) (2022-04-06T02:18:41Z)
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。