論文の概要: A Review of Deep Learning Techniques for Protein Function Prediction
- arxiv url: http://arxiv.org/abs/2211.09705v1
- Date: Thu, 27 Oct 2022 20:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 14:15:52.823160
- Title: A Review of Deep Learning Techniques for Protein Function Prediction
- Title（参考訳）: タンパク質機能予測のための深層学習技術の展望
- Authors: Divyanshu Aggarwal and Yasha Hasija
- Abstract要約: 本稿では, 深層学習を用いたタンパク質機能予測手法の最近の展開を概説する。
我々は,コンピュータビジョン,自然言語処理,マルチモーダル学習の分野で画期的な成果を収めた,現代の最先端のディープラーニングモデル(SOTA)の出現に注目した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Learning and big data have shown tremendous success in bioinformatics
and computational biology in recent years; artificial intelligence methods have
also significantly contributed in the task of protein function classification.
This review paper analyzes the recent developments in approaches for the task
of predicting protein function using deep learning. We explain the importance
of determining the protein function and why automating the following task is
crucial. Then, after reviewing the widely used deep learning techniques for
this task, we continue our review and highlight the emergence of the modern
State of The Art (SOTA) deep learning models which have achieved groundbreaking
results in the field of computer vision, natural language processing and
multi-modal learning in the last few years. We hope that this review will
provide a broad view of the current role and advances of deep learning in
biological sciences, especially in predicting protein function tasks and
encourage new researchers to contribute to this area.
- Abstract（参考訳）: 近年、ディープラーニングとビッグデータはバイオインフォマティクスや計算生物学において大きな成功を収めており、人工知能の手法もタンパク質機能分類の課題に大きく貢献している。
本稿では, 深層学習を用いたタンパク質機能予測手法の最近の展開を概説する。
本稿では,タンパク質の機能決定の重要性と,その自動化が重要である理由を説明する。
そして,この課題に広く用いられている深層学習手法をレビューし,近年のコンピュータビジョン,自然言語処理,マルチモーダル学習の分野において画期的な成果を収めた,現代の最先端の深層学習モデル(SOTA)の出現を概観する。
このレビューは、特にタンパク質機能タスクの予測において、生物科学における深層学習の現在の役割と進歩を広く理解し、新しい研究者がこの分野に貢献することを願っている。
関連論文リスト
- Opportunities in deep learning methods development for computational biology [0.0]
分子技術は、生物学や生物医学に関連するデータセットのサイズを大きく成長させる。
これらの進歩は、機械学習の深層学習サブフィールドにおけるそれと平行している。
これらのツールの多くは、計算生物学やバイオインフォマティクスの分野で完全には普及していない。
論文 参考訳（メタデータ） (2024-06-12T22:58:45Z) - An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。
これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。
以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
論文 参考訳（メタデータ） (2024-02-21T11:27:31Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - Deep Learning in Computational Biology: Advancements, Challenges, and
Future Outlook [0.0]
計算生物学における深層学習の歴史,利点,課題について検討する。
我々の焦点は、DNA配列分類と予測の2つの主要な応用と、配列データからのタンパク質構造予測である。
論文 参考訳（メタデータ） (2023-10-02T07:53:05Z) - 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) - Deep Learning Methods for Protein Family Classification on PDB
Sequencing Data [0.0]
本稿では,新たな双方向LSTMや畳み込みモデルなどのディープラーニングフレームワークの性能を,広く利用可能なシークエンシングデータ上で実証し比較する。
我々のディープラーニングモデルは従来の機械学習手法よりも優れた性能を示し、畳み込みアーキテクチャは最も印象的な推論性能を提供する。
論文 参考訳（メタデータ） (2022-07-14T06:11:32Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - 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) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Deep Learning in Protein Structural Modeling and Design [6.282267356230666]
ディープラーニングは、ビッグデータ、アクセシブルツールキット、強力な計算リソースによって刺激される科学的革命を触媒している。
タンパク質構造モデリングは、生物学的システムを分子レベルで理解し、設計するために重要である。
このレビューは、計算生物学者がタンパク質モデリングに適用される深層学習法に精通するのを助けることを目的としており、コンピュータ科学者は深層学習技術から恩恵を受ける可能性のある生物学的に有意義な問題を考察する。
論文 参考訳（メタデータ） (2020-07-16T14:59:38Z) - Machine learning and AI-based approaches for bioactive ligand discovery
and GPCR-ligand recognition [2.842794675894731]
ディープラーニングは、従来の機械学習だけでなく、高度に専門化されたツールよりも優れていることが示されている。
我々は、GPCR生物活性分子の発見に繋がった最新のAIベースの研究を強調した。
このレビューは、ディープラーニングの最近の研究動向を浮き彫りにした、短い展望で締めくくっている。
論文 参考訳（メタデータ） (2020-01-17T22:01:26Z)
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。