論文の概要: ExplainableFold: Understanding AlphaFold Prediction with Explainable AI

• arxiv url: http://arxiv.org/abs/2301.11765v1
• Date: Fri, 27 Jan 2023 15:06:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-30 15:08:09.299578
• Title: ExplainableFold: Understanding AlphaFold Prediction with Explainable AI
• Title（参考訳）: ExplainableFold: 説明可能なAIでAlphaFold予測を理解する
• Authors: Juntao Tan, Yongfeng Zhang
• Abstract要約: 本稿では,タンパク質構造予測のための説明を生成するために,生物学的原理に着想を得た反事実学習フレームワークを提案する。 実験の結果,AlphaFold の予測に対して ExplainableFold が高品質な説明を生成できることを示した。
• 参考スコア（独自算出の注目度）: 40.62232944491399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents ExplainableFold, an explainable AI framework for protein structure prediction. Despite the success of AI-based methods such as AlphaFold in this field, the underlying reasons for their predictions remain unclear due to the black-box nature of deep learning models. To address this, we propose a counterfactual learning framework inspired by biological principles to generate counterfactual explanations for protein structure prediction, enabling a dry-lab experimentation approach. Our experimental results demonstrate the ability of ExplainableFold to generate high-quality explanations for AlphaFold's predictions, providing near-experimental understanding of the effects of amino acids on 3D protein structure. This framework has the potential to facilitate a deeper understanding of protein structures.
• Abstract（参考訳）: 本稿では,タンパク質構造予測のためのaiフレームワークである explainsablefold を提案する。 この分野でAlphaFoldのようなAIベースの手法が成功したにも拘わらず、深層学習モデルのブラックボックスの性質のため、それらの予測の根底にある理由ははっきりしない。 そこで本研究では,タンパク質構造予測の反現実的説明を生成するために,生物学的原理に着想を得た反現実的学習フレームワークを提案する。 実験結果は,αfoldの予測に高品質な説明を生成できることを示し,アミノ酸が3dタンパク質構造に及ぼす影響をほぼ実験的に理解した。 この枠組みはタンパク質構造のより深い理解を促進する可能性がある。

関連論文リスト

• CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation [7.161099050722313]
  タンパク質構造評価用結晶対予測学習モデル(CPE-Pro)を開発した。 CPE-Proはタンパク質の構造情報を学習し、構造間の差異を捉え、4つのデータクラスの正確なトレーサビリティを実現する。 我々は Foldseek を用いてタンパク質構造を「構造配列」にエンコードし、タンパク質構造配列言語モデル SSLM を訓練した。
  論文  参考訳（メタデータ） (2024-10-21T02:21:56Z)
• Recent advances in interpretable machine learning using structure-based protein representations [30.907048279915312]
  機械学習(ML)の最近の進歩は、構造生物学の分野を変えつつある。 タンパク質3D構造を低分解能から高分解能に表現する様々な方法を提案する。 本稿では,タンパク質構造,タンパク質機能,タンパク質-タンパク質相互作用の予測などのタスクを解釈可能なML手法がどのようにサポートするかを示す。
  論文  参考訳（メタデータ） (2024-09-26T10:56:27Z)
• Protein 3D Graph Structure Learning for Robust Structure-based Protein Property Prediction [43.46012602267272]
  タンパク質の構造に基づく特性予測は、様々な生物学的タスクにおいて有望なアプローチとして現れてきた。 現在のプラクティスは、推論中に正確に予測された構造を用いるだけで、予測精度の顕著な低下に悩まされている。 本フレームワークはモデルに依存しず,予測構造と実験構造の両方の特性予測の改善に有効である。
  論文  参考訳（メタデータ） (2023-10-14T08:43:42Z)
• 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)
• Exploring evolution-based & -free protein language models as protein function predictors [12.381080613343306]
  大規模タンパク質言語モデル(PLM)はタンパク質予測タスクの性能を改善した。 ESM-1b(単一配列)、MSA-Transformer(複数配列アライメント)、Evoformer(構造)の3つのPLMの表現能力について検討する。 i) αFoldの一部として訓練されたEvoformerは、タンパク質の機能を予測できる表現を生成するか? 我々はこれらのモデルを、新しい洞察と結論と共に実証的研究によって比較する。
  論文  参考訳（メタデータ） (2022-06-14T03:56:10Z)
• 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)
• OntoProtein: Protein Pretraining With Gene Ontology Embedding [36.92674447484136]
  GO(Gene Ontology)の構造をタンパク質事前学習モデルに活用する最初の汎用フレームワークであるOntoProteinを提案する。 我々はGOとその関連タンパク質からなる新しい大規模知識グラフを構築し、遺伝子アノテーションのテキストやタンパク質配列はグラフ内の全てのノードを記述する。
  論文  参考訳（メタデータ） (2022-01-23T14:49:49Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)
• 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。