論文の概要: Machine Learning Coarse-Grained Potentials of Protein Thermodynamics

• arxiv url: http://arxiv.org/abs/2212.07492v1
• Date: Wed, 14 Dec 2022 20:23:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 17:54:14.681557
• Title: Machine Learning Coarse-Grained Potentials of Protein Thermodynamics
• Title（参考訳）: タンパク質熱力学の機械学習による粗粒化ポテンシャル
• Authors: Maciej Majewski, Adri\`a P\'erez, Philipp Th\"olke, Stefan Doerr, Nicholas E. Charron, Toni Giorgino, Brooke E. Husic, Cecilia Clementi, Frank No\'e and Gianni De Fabritiis
• Abstract要約: 我々は、ニューラルネットワークに基づいて粗粒度分子ポテンシャルを構築し、統計力学を基礎とする。 トレーニングのために、12種類のタンパク質に対して約9msの非偏平全原子分子動力学シミュレーションのユニークなデータセットを構築した。 粗い粒度のモデルでは、系の熱力学を保ちながら、力学を3桁以上加速することができる。
• 参考スコア（独自算出の注目度）: 1.3543803103181613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A generalized understanding of protein dynamics is an unsolved scientific problem, the solution of which is critical to the interpretation of the structure-function relationships that govern essential biological processes. Here, we approach this problem by constructing coarse-grained molecular potentials based on artificial neural networks and grounded in statistical mechanics. For training, we build a unique dataset of unbiased all-atom molecular dynamics simulations of approximately 9 ms for twelve different proteins with multiple secondary structure arrangements. The coarse-grained models are capable of accelerating the dynamics by more than three orders of magnitude while preserving the thermodynamics of the systems. Coarse-grained simulations identify relevant structural states in the ensemble with comparable energetics to the all-atom systems. Furthermore, we show that a single coarse-grained potential can integrate all twelve proteins and can capture experimental structural features of mutated proteins. These results indicate that machine learning coarse-grained potentials could provide a feasible approach to simulate and understand protein dynamics.
• Abstract（参考訳）: タンパク質力学の一般化された理解は未解決の科学的問題であり、その解は重要な生物学的過程を支配する構造-機能関係の解釈に不可欠である。 本稿では, ニューラルネットワークに基づく粗粒分子ポテンシャルを構築し, 統計力学に基礎を置き, この問題にアプローチする。 トレーニングのために,12種類のタンパク質に対して約9msの非偏平全原子分子動力学シミュレーションのユニークなデータセットを構築した。 粗粒モデルは、系の熱力学を保ちながら、ダイナミクスを3桁以上加速することができる。 粗粒度シミュレーションは、全原子系に匹敵するエネルギーを持つアンサンブル内の関連する構造状態を特定する。 さらに, 1つの粗粒化電位が12個のタンパク質全てを結合し, 変異タンパク質の実験的構造的特徴を捉えることができることを示した。 これらの結果は、機械学習がタンパク質の動態をシミュレートし理解するための実現可能なアプローチとなることを示唆している。

関連論文リスト

• A DNN Biophysics Model with Topological and Electrostatic Features [0.0]
  このモデルは、タンパク質の構造情報と力場によって生成される多スケールおよび均一なトポロジカルおよび静電気的特徴を使用する。 4000以上のタンパク質構造上の機械学習シミュレーションは、これらの特徴の効率性と忠実さを示している。 このモデルは、生物物理学的性質と幅広い生体分子の機能予測を支援する一般的なツールとしての可能性を示している。
  論文  参考訳（メタデータ） (2024-09-05T16:11:40Z)
• Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
  新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。 本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
  論文  参考訳（メタデータ） (2024-03-21T02:44:08Z)
• Top-down machine learning of coarse-grained protein force-fields [2.1485350418225244]
  我々の手法は、タンパク質を分子動力学でシミュレートし、その結果の軌道を利用してニューラルネットワーク電位を訓練することである。 注目すべきは、この方法はタンパク質のネイティブなコンフォメーションのみを必要とし、ラベル付きデータを必要としないことである。 マルコフ状態モデルを適用することで、シミュレーションされたタンパク質のネイティブな構造を粗い粒度のシミュレーションから予測することができる。
  論文  参考訳（メタデータ） (2023-06-20T08:31:24Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
  本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。 提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T19:10:19Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Protein Structure and Sequence Generation with Equivariant Denoising Diffusion Probabilistic Models [3.5450828190071646]
  バイオエンジニアリングにおける重要な課題は、特定の3D構造と標的機能を可能にする化学的性質を持つタンパク質を設計することである。 タンパク質の構造と配列の両方の生成モデルを導入し、従来の分子生成モデルよりもはるかに大きなスケールで操作できる。
  論文  参考訳（メタデータ） (2022-05-26T16:10:09Z)
• 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)
• Transferring Chemical and Energetic Knowledge Between Molecular Systems with Machine Learning [5.27145343046974]
  本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。 我々は、高低自由エネルギー状態の分類に焦点をあてる。 以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
  論文  参考訳（メタデータ） (2022-05-06T16:21:00Z)
• 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。