論文の概要: Target specific peptide design using latent space approximate trajectory collector

• arxiv url: http://arxiv.org/abs/2302.01435v1
• Date: Thu, 2 Feb 2023 21:56:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-06 18:07:23.143074
• Title: Target specific peptide design using latent space approximate trajectory collector
• Title（参考訳）: 潜在空間近似軌道コレクターを用いたターゲット特異的ペプチド設計
• Authors: Tong Lin, Sijie Chen, Ruchira Basu, Dehu Pei, Xiaolin Cheng and Levent Burak Kara
• Abstract要約: 我々は,LSATC (Approximate Space Tray Collector) と呼ばれる新しい機械学習設計を提案する。 ペプチドと所望の結合特性を近似した284%の空間のサンプルからなる。 標準Wntシグナル伝達に関与する重要なエフェクタータンパク質であるβ-カテニンを標的としたペプチド拡張の設計に遅れをきたした。 LSATCにより拡張された4つの結合ペプチドは、ベータカテニン結合を少なくとも2%以上改善し、2つのペプチドは、塩基性ペプチドと比較して3ドル以上の親和性を示した。
• 参考スコア（独自算出の注目度）: 1.7289819674602296
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite the prevalence and many successes of deep learning applications in de novo molecular design, the problem of peptide generation targeting specific proteins remains unsolved. A main barrier for this is the scarcity of the high-quality training data. To tackle the issue, we propose a novel machine learning based peptide design architecture, called Latent Space Approximate Trajectory Collector (LSATC). It consists of a series of samplers on an optimization trajectory on a highly non-convex energy landscape that approximates the distributions of peptides with desired properties in a latent space. The process involves little human intervention and can be implemented in an end-to-end manner. We demonstrate the model by the design of peptide extensions targeting Beta-catenin, a key nuclear effector protein involved in canonical Wnt signalling. When compared with a random sampler, LSATC can sample peptides with $36\%$ lower binding scores in a $16$ times smaller interquartile range (IQR) and $284\%$ less hydrophobicity with a $1.4$ times smaller IQR. LSATC also largely outperforms other common generative models. Finally, we utilized a clustering algorithm to select 4 peptides from the 100 LSATC designed peptides for experimental validation. The result confirms that all the four peptides extended by LSATC show improved Beta-catenin binding by at least $20.0\%$, and two of the peptides show a $3$ fold increase in binding affinity as compared to the base peptide.
• Abstract（参考訳）: デノボ分子設計における深層学習の応用の普及と成功にもかかわらず、特定のタンパク質を標的とするペプチド生成の問題は未解決のままである。 これに対する主な障壁は、高品質なトレーニングデータの不足である。 この問題に対処するために,Llatent Space Approximate Trajectory Collector (LSATC) と呼ばれる,機械学習に基づく新しいペプチド設計アーキテクチャを提案する。 これは、潜在空間における望ましい性質を持つペプチドの分布を近似する非常に非凸エネルギーランドスケープ上の最適化軌道上の一連のサンプラーからなる。 このプロセスはほとんど人間の介入を伴わず、エンドツーエンドで実装できる。 我々は、標準的wntシグナル伝達に関与する核エフェクタータンパク質であるβ-カテニンを標的としたペプチド拡張の設計により、このモデルを実証する。 ランダムなサンプラーと比較すると、lsatcは結合スコアが36\%低いペプチドを、iqr(interquartile range)の16$倍小さく、iqrの14$284\%未満の疎水性でサンプルすることができる。 LSATCは、他の一般的な生成モデルよりも優れている。 最後に,100 lsatcで設計したペプチドから4種類のペプチドを選択できるクラスタリングアルゴリズムを用いて検証を行った。 その結果、LSATCにより拡張された4つのペプチドは、β-カテニン結合を少なくとも20.0\%$で改善し、2つのペプチドは、塩基性ペプチドと比較して結合親和性が3ドル以上上昇していることが確認された。

関連論文リスト

• PPFlow: Target-aware Peptide Design with Torsional Flow Matching [52.567714059931646]
  ペプチド構造設計のためのねじれ角の内部構造をモデル化するために,textscPPFlowと呼ばれるターゲット認識型ペプチド設計手法を提案する。 さらに, PPBench2024というタンパク質-ペプチド結合データセットを構築した。
  論文  参考訳（メタデータ） (2024-03-05T13:26:42Z)
• Transformer-based de novo peptide sequencing for data-independent acquisition mass spectrometry [1.338778493151964]
  本稿では,変換器アーキテクチャに基づくディープラーニングモデルであるDiaTransを紹介する。 DIA質量分析データからペプチド配列を解読する。 その結果,既存のSTOA法よりも大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-17T19:04:23Z)
• ContraNovo: A Contrastive Learning Approach to Enhance De Novo Peptide Sequencing [70.12220342151113]
  ContraNovoは、コントラスト学習を利用してスペクトルとペプチドの関係を抽出する先駆的アルゴリズムである。 ContraNovoは、現代最先端のソリューションを一貫して誇張している。
  論文  参考訳（メタデータ） (2023-12-18T12:49:46Z)
• ProFSA: Self-supervised Pocket Pretraining via Protein Fragment-Surroundings Alignment [20.012210194899605]
  本稿では,高分解能原子タンパク質構造からの知識を活用したポケット事前学習手法を提案する。 ProFSAと命名された本手法は,ポケットの薬剤性予測など,様々なタスクにおける最先端性能を実現する。 我々の研究は、高品質で多様なタンパク質構造データベースを活用することにより、タンパク質-リガンド複合体データの不足を軽減するための新たな道を開く。
  論文  参考訳（メタデータ） (2023-10-11T06:36:23Z)
• FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
  $mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。 提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
  論文  参考訳（メタデータ） (2023-10-10T16:39:47Z)
• TacoGFN: Target-conditioned GFlowNet for Structure-based Drug Design [3.45184803671951]
  TacoGFNは、構造に基づく薬物設計のための新しいGFlowNetベースのアプローチである。 親和性と性質の報酬に比例した確率で、任意のタンパク質ポケット構造に条件付けられた分子を生成することができる。 CrossDocked 2020ベンチマークの世代別設定では、TacoGFNは中央値のVina Dockスコアで56.0%と8.44$kcal/molの最先端の成功率を達成した。
  論文  参考訳（メタデータ） (2023-10-05T00:45:04Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine Learning [54.247560894146105]
  短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。 我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
  論文  参考訳（メタデータ） (2022-08-10T13:30:58Z)
• DePS: An improved deep learning model for de novo peptide sequencing [7.468176246958974]
  そこで本研究では,de novoペプチドシークエンシングの精度を向上させる改良モデルであるDePSを提案する。 同じDeepNovoV2の試験セットでは、DePSモデルは、それぞれ74.22%、74.21%、および41.68%の優れた結果を得た。
  論文  参考訳（メタデータ） (2022-03-16T16:45:48Z)

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。