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
- MMDesign: Multi-Modality Transfer Learning for Generative Protein Design [66.49989188722553]
タンパク質の設計は、対応するタンパク質のバックボーンに基づいてタンパク質配列を生成する。
深層生成モデルは、データから直接タンパク質設計を学ぶことを約束している。
パブリックな構造系列ペアリングの欠如は、一般化能力を制限している。
マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。
論文 参考訳(メタデータ) (2023-12-11T10:59:23Z) - 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) - Contrastive Representation Learning for 3D Protein Structures [13.581113136149469]
本稿では3次元タンパク質構造のための新しい表現学習フレームワークを提案する。
我々のフレームワークは、教師なしのコントラスト学習を用いて、タンパク質構造の意味のある表現を学習する。
これらの表現は、タンパク質機能予測、タンパク質の折りたたみ分類、構造的類似性予測、タンパク質-リガンド結合親和性予測など、様々なタスクを解くためにどのように使用できるかを示す。
論文 参考訳(メタデータ) (2022-05-31T10:33:06Z) - 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) - Intrinsic-Extrinsic Convolution and Pooling for Learning on 3D Protein
Structures [18.961218808251076]
大規模タンパク質データの深部3次元解析を可能にする2つの新しい学習操作を提案する。
まず、内在的(タンパク質の折り畳みの下での不変)と外因的(結合下での不変)の両方を考慮する新しい畳み込み演算子を導入する。
第2に、階層的なプーリング演算子を導入し、タンパク質がアミノ酸の有限組の再結合であるという事実を活用することにより、マルチスケールのタンパク質分析を可能にする。
論文 参考訳(メタデータ) (2020-07-13T09:02:40Z) - 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。