Fugu-MT 論文翻訳(概要): 3D Reconstruction of Protein Complex Structures Using Synthesized Multi-View AFM Images

論文の概要: 3D Reconstruction of Protein Complex Structures Using Synthesized Multi-View AFM Images

arxiv url: http://arxiv.org/abs/2211.14662v1
Date: Sat, 26 Nov 2022 20:50:34 GMT
ステータス: 処理完了
システム内更新日: 2022-11-29 17:09:22.246841
Title: 3D Reconstruction of Protein Complex Structures Using Synthesized Multi-View AFM Images
Title（参考訳）: 合成多視点AFM画像を用いたタンパク質複合体構造の3次元再構成
Authors: Jaydeep Rade, Soumik Sarkar, Anwesha Sarkar, Adarsh Krishnamurthy
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.91587631689811
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Recent developments in deep learning-based methods demonstrated its potential to predict the 3D protein structures using inputs such as protein sequences, Cryo-Electron microscopy (Cryo-EM) images of proteins, etc. However, these methods struggle to predict the protein complexes (PC), structures with more than one protein. In this work, we explore the atomic force microscope (AFM) assisted deep learning-based methods to predict the 3D structure of PCs. The images produced by AFM capture the protein structure in different and random orientations. These multi-view images can help train the neural network to predict the 3D structure of protein complexes. However, obtaining the dataset of actual AFM images is time-consuming and not a pragmatic task. We propose a virtual AFM imaging pipeline that takes a 'PDB' protein file and generates multi-view 2D virtual AFM images using volume rendering techniques. With this, we created a dataset of around 8K proteins. We train a neural network for 3D reconstruction called Pix2Vox++ using the synthesized multi-view 2D AFM images dataset. We compare the predicted structure obtained using a different number of views and get the intersection over union (IoU) value of 0.92 on the training dataset and 0.52 on the validation dataset. We believe this approach will lead to better prediction of the structure of protein complexes.
Abstract（参考訳）: 近年の深層学習法の発展により,タンパク質配列,Cryo-Electron microscopy (Cryo-EM)画像などの入力を用いて3次元タンパク質構造を予測できる可能性が示された。しかし、これらの手法は複数のタンパク質を持つタンパク質複合体(PC)の予測に苦慮している。本研究では, 原子間力顕微鏡(AFM)を用いた深層学習によるPCの3次元構造予測手法を提案する。 AFMが生成した画像は、タンパク質の構造を異なるランダムな向きで捉えている。これらのマルチビュー画像は、タンパク質複合体の3D構造を予測するニューラルネットワークのトレーニングに役立つ。しかし、実際のAFM画像のデータセットを取得するのに時間がかかり、実用的な作業ではない。ボリュームレンダリング技術を用いて,PDBタンパク質ファイルを取り込み,マルチビュー2D仮想AFM画像を生成する仮想AFM画像パイプラインを提案する。これにより、約8Kタンパク質のデータセットを作成しました。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。このアプローチはタンパク質複合体の構造のより良い予測につながると信じている。

関連論文リスト

3D Reconstruction of Protein Structures from Multi-view AFM Images using Neural Radiance Fields (NeRFs) [8.257409049477827]
原子間力顕微鏡(AFM)と深層学習を組み合わせたタンパク質複合体(PC)の3次元構造予測法について検討した。 AFMは、様々なランダムな方向でPCを描写する高さマップを生成し、ニューラルネットワークをトレーニングして3D構造を予測するための豊富な情報を提供する。 AFM画像を用いた3Dタンパク質構造のゼロショット予測によりUpFusionの性能を評価する。
論文参考訳（メタデータ） (2024-08-12T15:53:24Z)
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)
CrysFormer: Protein Structure Prediction via 3d Patterson Maps and Partial Structure Attention [7.716601082662128]
タンパク質の3次元構造は、しばしば非自明な計算コストをもたらす。本稿では,タンパク質結晶学と部分構造情報を直接利用するトランスフォーマーモデルを提案する。提案手法はtextttCrysFormer と呼ばれ,より小さなデータセットサイズと計算コストの削減に基づいて精度の高い予測を行うことができる。
論文参考訳（メタデータ） (2023-10-05T21:10:22Z)
FFF: Fragments-Guided Flexible Fitting for Building Complete Protein Structures [10.682516227941592]
タンパク質構造予測とタンパク質構造認識を柔軟に組み合わせた新しいFFF法を提案する。まず、入力された3次元Cryo-EMマップから様々な構造的特徴を捉えるために、マルチレベル認識ネットワークを使用する。次に、これらの特徴に基づいて擬似ペプチドベクターとタンパク質配列アライメント法を用いてタンパク質構造断片を生成する。
論文参考訳（メタデータ） (2023-08-07T15:10:21Z)
CryoFormer: Continuous Heterogeneous Cryo-EM Reconstruction using Transformer-based Neural Representations [49.49939711956354]
核電子顕微鏡(cryo-EM)は、タンパク質やその他の生体分子の3D構造を高分解能で再構築することを可能にする。 3次元構造の連続的な動きをノイズやランダムに配向した2次元Creo-EM画像から再構成することは依然として困難である。我々はCryoFormerを提案する。CryoFormerは連続したヘテロジニアスCryo-EM再構成のための新しいアプローチである。
論文参考訳（メタデータ） (2023-03-28T18:59:17Z)
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)
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)
3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文参考訳（メタデータ） (2021-10-14T23:05:47Z)
3D Structure from 2D Microscopy images using Deep Learning [0.0]
近年の人工知能の進歩は、顕微鏡画像から正確な3D構造を取り出すために応用されている。本稿では,2次元単一分子局在顕微鏡画像からタンパク質複合体を再構成する深層学習ソリューションを提案する。
論文参考訳（メタデータ） (2021-10-14T14:55:41Z)
Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文参考訳（メタデータ） (2020-09-01T19:17:46Z)
BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。また、注意とタンパク質構造との相互作用を三次元的に可視化する。
論文参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。