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

• 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)
• Ranking protein-protein models with large language models and graph neural networks [49.1574468325115]
  DeepRank-GNN-esmはグラフベースのPPI構造のランク付けのためのディープラーニングアルゴリズムである。 ここでは、例を挙げて、ソフトウェアの使用について詳述する。
  論文  参考訳（メタデータ） (2024-07-23T10:51:35Z)
• Geometric Self-Supervised Pretraining on 3D Protein Structures using Subgraphs [26.727436310732692]
  本稿では,3次元タンパク質構造上の3次元グラフニューラルネットワークを事前学習するための自己教師型手法を提案する。 提案手法が6%までの大幅な改善につながることを実験的に示す。
  論文  参考訳（メタデータ） (2024-06-20T09:34:31Z)
• 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)
• EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction [49.674494450107005]
  標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。 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。
  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)
• 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。