論文の概要: ModelAngelo: Automated Model Building in Cryo-EM Maps
- arxiv url: http://arxiv.org/abs/2210.00006v1
- Date: Fri, 30 Sep 2022 16:47:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 14:24:44.670270
- Title: ModelAngelo: Automated Model Building in Cryo-EM Maps
- Title(参考訳): ModelAngelo: Cryo-EMマップの自動モデル構築
- Authors: Kiarash Jamali, Dari Kimanius and Sjors Scheres
- Abstract要約: 我々は、Cryo-EMマップにおけるタンパク質の自動構築のためのModelAngeloを構築した。
タンパク質構造予測への機械学習応用の最近の進歩は、このプロセスを自動化する可能性を示している。
ModelAngeloは最先端の建物より優れており、3.5 rAよりも解像度が良いCreo-EMマップ用の手動ビルディングを近似している。
- 参考スコア(独自算出の注目度): 1.2891210250935146
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electron cryo-microscopy (cryo-EM) produces three-dimensional (3D) maps of
the electrostatic potential of biological macromolecules, including proteins.
At sufficient resolution, the cryo-EM maps, along with some knowledge about the
imaged molecules, allow de novo atomic modelling. Typically, this is done
through a laborious manual process. Recent advances in machine learning
applications to protein structure prediction show potential for automating this
process. Taking inspiration from these techniques, we have built ModelAngelo
for automated model building of proteins in cryo-EM maps. ModelAngelo first
uses a residual convolutional neural network (CNN) to initialize a graph
representation with nodes assigned to individual amino acids of the proteins in
the map and edges representing the protein chain. The graph is then refined
with a graph neural network (GNN) that combines the cryo-EM data, the amino
acid sequence data and prior knowledge about protein geometries. The GNN
refines the geometry of the protein chain and classifies the amino acids for
each of its nodes. The final graph is post-processed with a hidden Markov model
(HMM) search to map each protein chain to entries in a user provided sequence
file. Application to 28 test cases shows that ModelAngelo outperforms the
state-of-the-art and approximates manual building for cryo-EM maps with
resolutions better than 3.5 \r{A}.
- Abstract(参考訳): 電子顕微鏡(cryo-EM)は、タンパク質を含む生体高分子の静電電位の3次元マップを生成する。
十分な解像度で、Cryo-EMマップは、撮像された分子に関する知識とともに、デノボ原子モデリングを可能にする。
通常、これは手間のかかる手動プロセスによって行われる。
タンパク質構造予測への機械学習応用の最近の進歩は、このプロセスの自動化の可能性を示している。
これらの技術からインスピレーションを得て、Cryo-EMマップ内のタンパク質の自動モデル構築のためのModelAngeloを開発した。
ModelAngeloは、まず残留畳み込みニューラルネットワーク(CNN)を使用して、タンパク質の個々のアミノ酸に割り当てられたノードと、タンパク質鎖を表すエッジでグラフ表現を初期化する。
グラフは、Cryo-EMデータ、アミノ酸配列データ、タンパク質のジオメトリに関する事前知識を組み合わせたグラフニューラルネットワーク(GNN)によって洗練される。
GNNはタンパク質鎖の幾何学を洗練し、各ノードのアミノ酸を分類する。
最終グラフは隠れマルコフモデル (HMM) で後処理され、各タンパク質鎖をユーザが提供するシーケンスファイルのエントリにマッピングする。
28のテストケースに適用すると、ModelAngeloは最先端の手法よりも優れており、3.5 \r{A} よりも解像度が良いCryo-EMマップのための手動構築を近似している。
関連論文リスト
- A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳(メタデータ) (2023-12-12T18:44:19Z) - Target-aware Variational Auto-encoders for Ligand Generation with
Multimodal Protein Representation Learning [2.01243755755303]
ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。
これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
論文 参考訳(メタデータ) (2023-08-02T12:08:17Z) - Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。
3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。
提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文 参考訳(メタデータ) (2023-06-13T14:43:13Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳(メタデータ) (2023-06-02T15:49:45Z) - EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for
Ligand Binding Site Prediction [36.08979503853887]
本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。
特に、EquiPocketは3つのモジュールから構成されており、最初のモジュールは各表面原子の局所的な幾何学情報を抽出し、2番目のモジュールはタンパク質の化学的構造と空間的構造の両方をモデル化し、最後のモジュールは表面の幾何学を捉える。
論文 参考訳(メタデータ) (2023-02-23T17:18:26Z) - 3D Reconstruction of Protein Complex Structures Using Synthesized
Multi-View AFM Images [9.91587631689811]
合成多視点AFM画像データセットを用いて、Pix2Vox++と呼ばれる3次元再構成のためのニューラルネットワークをトレーニングする。
我々は、異なるビューを用いて得られた予測された構造を比較し、トレーニングデータセットで0.92、検証データセットで0.52の結合(IoU)値を得る。
論文 参考訳(メタデータ) (2022-11-26T20:50:34Z) - 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) - Spherical convolutions on molecular graphs for protein model quality
assessment [0.0]
本研究では,分子グラフとして表されるタンパク質の3次元モデルを処理する球状グラフ畳み込みネットワーク(S-GCN)を提案する。
タンパク質モデル品質評価問題の枠組みの中で,提案した球面畳み込み法がモデル評価の質を著しく向上することを示す。
論文 参考訳(メタデータ) (2020-11-16T14:22:36Z) - Sequence-guided protein structure determination using graph
convolutional and recurrent networks [0.0]
単一粒子、低温電子顕微鏡(cryo-EM)実験は、現在、大きなタンパク質の高分解能データを日常的に生成している。
この種のタスクの既存のプロトコルは、しばしば人間の介入に頼り、アウトプットを生成するのに数時間から何日もかかることがある。
ここでは、完全に自動化された、テンプレートなしのモデル構築アプローチを提案する。
論文 参考訳(メタデータ) (2020-07-14T06:24:07Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳(メタデータ) (2020-06-22T11:41:57Z) - Uncovering the Folding Landscape of RNA Secondary Structure with Deep
Graph Embeddings [71.20283285671461]
このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。
我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。
GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
論文 参考訳(メタデータ) (2020-06-12T00:17:59Z)
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。