論文の概要: Learning Protein Representations via Complete 3D Graph Networks

• arxiv url: http://arxiv.org/abs/2207.12600v1
• Date: Tue, 26 Jul 2022 01:55:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 13:23:28.607276
• Title: Learning Protein Representations via Complete 3D Graph Networks
• Title（参考訳）: 完全3次元グラフネットワークによるタンパク質表現の学習
• Authors: Limei Wang, Haoran Liu, Yi Liu, Jerry Kurtin, Shuiwang Ji
• Abstract要約: 3次元構造を持つタンパク質の表現学習について検討する。 タンパク質構造に基づく3Dグラフを構築し,その表現を学習するグラフネットワークを開発する。
• 参考スコア（独自算出の注目度）: 34.37014978178466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider representation learning for proteins with 3D structures. We build 3D graphs based on protein structures and develop graph networks to learn their representations. Depending on the levels of details that we wish to capture, protein representations can be computed at different levels, \emph{e.g.}, the amino acid, backbone, or all-atom levels. Importantly, there exist hierarchical relations among different levels. In this work, we propose to develop a novel hierarchical graph network, known as ProNet, to capture the relations. Our ProNet is very flexible and can be used to compute protein representations at different levels of granularity. We show that, given a base 3D graph network that is complete, our ProNet representations are also complete at all levels. To close the loop, we develop a complete and efficient 3D graph network to be used as a base model, making our ProNet complete. We conduct experiments on multiple downstream tasks. Results show that ProNet outperforms recent methods on most datasets. In addition, results indicate that different downstream tasks may require representations at different levels. Our code is available as part of the DIG library (\url{https://github.com/divelab/DIG}).
• Abstract（参考訳）: 3次元構造を持つタンパク質の表現学習について検討する。 タンパク質構造に基づく3Dグラフを構築し,その表現を学習するグラフネットワークを開発する。 我々が捉えたい詳細レベルによって、タンパク質の表現は異なるレベル、例えば、アミノ酸、バックボーン、または全原子レベルで計算できる。 重要なことに、異なるレベルの間に階層的な関係がある。 本研究では,この関係を捉えるために,ProNetと呼ばれる新しい階層型グラフネットワークを提案する。 ProNetは非常に柔軟で、タンパク質の表現を様々なレベルで計算するのに使用できます。 基礎となる3Dグラフネットワークが完成すると、ProNetの表現もすべてのレベルで完成することを示す。 ループを閉じるために,ベースモデルとして使用する完全かつ効率的な3Dグラフネットワークを開発し,ProNetを完全化する。 複数の下流タスクで実験を行う。 結果は、ほとんどのデータセットでpronetが最近のメソッドを上回っていることを示している。 さらに、結果は、異なる下流タスクは異なるレベルの表現を必要とする可能性があることを示している。 私たちのコードはDIGライブラリ(\url{https://github.com/divelab/DIG})の一部として利用可能です。

関連論文リスト

• Learning Adaptive Neighborhoods for Graph Neural Networks [45.94778766867247]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データのエンドツーエンド学習を可能にする。 本稿では,グラフトポロジを構築する新しいエンドツーエンドの微分可能なグラフ生成器を提案する。 私たちのモジュールは、グラフ畳み込み操作を含む既存のパイプラインに簡単に統合できます。
  論文  参考訳（メタデータ） (2023-07-18T08:37:25Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Learning task-specific features for 3D pointcloud graph creation [0.8629912408966145]
  本稿では,3Dポイントクラウドからグラフを作成する方法を提案する。 提案手法は,入力された3Dポイントクラウドの変換上でk-NNを実行することに基づいている。 また, ストレス最小化に基づく正規化手法を導入し, ベースラインから学習グラフまでの距離を制御できるようにした: k-NN over xyz 空間。
  論文  参考訳（メタデータ） (2022-09-02T11:13:02Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Representative Graph Neural Network [113.67254049938629]
  いくつかの代表的特徴を動的にサンプリングするために、代表グラフ層を提示する。 すべての位置からメッセージを伝搬する代わりに、RepGraphレイヤは1つのノードの応答を数個の代表ノードで計算します。
  論文  参考訳（メタデータ） (2020-08-12T09:46:52Z)
• MathNet: Haar-Like Wavelet Multiresolution-Analysis for Graph Representation and Learning [31.42901131602713]
  本稿では,マルチレゾリューション・ハール型ウェーブレット(MathNet)を用いたグラフニューラルネットワークのためのフレームワークを提案する。 提案したMathNetは、特にデータセットにおいて、既存のGNNモデルよりも優れている。
  論文  参考訳（メタデータ） (2020-07-22T05:00:59Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
  グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。 具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
  論文  参考訳（メタデータ） (2020-05-07T18:00:02Z)

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。