論文の概要: Binding-and-folding recognition of an intrinsically disordered protein using online learning molecular dynamics

• arxiv url: http://arxiv.org/abs/2302.10348v1
• Date: Mon, 20 Feb 2023 22:30:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 16:50:20.760633
• Title: Binding-and-folding recognition of an intrinsically disordered protein using online learning molecular dynamics
• Title（参考訳）: オンライン学習分子動力学を用いた内因性障害タンパク質の結合・折り畳み認識
• Authors: Pablo Herrera-Nieto, Adri\`a P\'erez and Gianni De Fabritiis
• Abstract要約: 内在的に不規則なタンパク質は、他のタンパク質と結合して折り畳むことで多くの生物学的過程に関与する。 主な疑問の1つは、結合の前後で折り畳みが発生するかどうかである。
• 参考スコア（独自算出の注目度）: 2.1485350418225244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intrinsically disordered proteins participate in many biological processes by folding upon binding with other proteins. However, coupled folding and binding processes are not well understood from an atomistic point of view. One of the main questions is whether folding occurs prior to or after binding. Here we use a novel unbiased high-throughput adaptive sampling approach to reconstruct the binding and folding between the disordered transactivation domain of \mbox{c-Myb} and the KIX domain of the CREB-binding protein. The reconstructed long-term dynamical process highlights the binding of a short stretch of amino acids on \mbox{c-Myb} as a folded $\alpha$-helix. Leucine residues, specially Leu298 to Leu302, establish initial native contacts that prime the binding and folding of the rest of the peptide, with a mixture of conformational selection on the N-terminal region with an induced fit of the C-terminal.
• Abstract（参考訳）: 内在的に不規則なタンパク質は、他のタンパク質と結合することで多くの生物学的過程に関与する。 しかし、折り畳みと結合の過程は原子論的な観点からはよく理解されていない。 主な質問の1つは、結合の前後に折りたたみが発生するかどうかである。 ここでは,新しい非バイアス高スループット適応サンプリング法を用いて, \mbox{c-myb} の不規則なトランスアクティベーションドメインと creb 結合タンパク質の kix ドメインとの間の結合と折り畳みを再構成する。 再建された長期の動的過程は、mbox{c-Myb} 上の短いアミノ酸の結合を$\alpha$-helix として強調する。 ロイシン残基、特にLeu298からLeu302は、N末端領域のコンフォメーション選択とC末端の誘導適合を混合して、ペプチドの他の部分の結合と折り畳みを誘導する最初のネイティブ接触を確立する。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Protein Representation Learning by Capturing Protein Sequence-Structure-Function Relationship [12.11413472492417]
  AMMAは3つのモダリティを統一表現空間に統合するために、統一されたマルチモーダルエンコーダを採用する。 AMMAは、配列の整った相互関係を示すタンパク質表現の学習に非常に効果的である。
  論文  参考訳（メタデータ） (2024-04-29T05:42:29Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
  化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。 既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:51:10Z)
• Protein-ligand binding representation learning from fine-grained interactions [29.965890962846093]
  本稿では,タンパク質-リガンド結合表現を自己教師付き学習方式で学習することを提案する。 この自己教師付き学習問題は、決定的結合複素構造の予測として定式化される。 様々なバインディングタスクに対して,本手法の優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-11-09T01:33:09Z)
• Pairing interacting protein sequences using masked language modeling [0.3222802562733787]
  配列アライメントに基づいて訓練されたタンパク質言語モデルを用いて相互作用するタンパク質配列をペア化する手法を開発した。 我々は、MSAトランスフォーマーが、周囲のコンテキストを用いて複数の配列アライメントでマスクされたアミノ酸を埋める能力を利用する。 単一チェーンデータでトレーニングされている間に、チェーン間の共進化をキャプチャできることが示されています。
  論文  参考訳（メタデータ） (2023-08-14T13:42:09Z)
• FlexVDW: A machine learning approach to account for protein flexibility in ligand docking [4.511923587827301]
  深層学習モデルは、ファンデルワールスエネルギーを予測する際に、受容体の柔軟性を暗黙的に考慮するよう訓練された。 この機械学習エネルギー項を最先端の物理に基づくスコアリング関数に組み込むことで、小さな分子リガンドが予測結果を改善できることが示される。
  論文  参考訳（メタデータ） (2023-03-20T23:19:05Z)
• 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)
• HelixFold-Single: MSA-free Protein Structure Prediction by Using Protein Language Model as an Alternative [61.984700682903096]
  HelixFold-Singleは、大規模なタンパク質言語モデルとAlphaFold2の優れた幾何学的学習能力を組み合わせるために提案されている。 提案手法は,数千万の一次配列を持つ大規模タンパク質言語モデルを事前学習する。 我々は、一次系列のみから原子の3次元座標を予測するために、エンドツーエンドの微分可能なモデルを得る。
  論文  参考訳（メタデータ） (2022-07-28T07:30:33Z)
• Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking [57.2037357017652]
  我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。 本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。 我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
  論文  参考訳（メタデータ） (2021-11-15T18:46:37Z)

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。