論文の概要: EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction

• arxiv url: http://arxiv.org/abs/2302.12177v1
• Date: Thu, 23 Feb 2023 17:18:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-24 14:22:37.219232
• Title: EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction
• Title（参考訳）: EquiPocket: リガンド結合サイト予測のためのE(3)等変幾何グラフニューラルネットワーク
• Authors: Yang Zhang, Wenbing Huang, Zhewei Wei, Ye Yuan, Zhaohan Ding
• Abstract要約: 本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。 特に、EquiPocketは3つのモジュールから構成されており、最初のモジュールは各表面原子の局所的な幾何学情報を抽出し、2番目のモジュールはタンパク質の化学的構造と空間的構造の両方をモデル化し、最後のモジュールは表面の幾何学を捉える。
• 参考スコア（独自算出の注目度）: 36.08979503853887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the binding sites of the target proteins plays a fundamental role in drug discovery. Most existing deep-learning methods consider a protein as a 3D image by spatially clustering its atoms into voxels and then feed the voxelized protein into a 3D CNN for prediction. However, the CNN-based methods encounter several critical issues: 1) defective in representing irregular protein structures; 2) sensitive to rotations; 3) insufficient to characterize the protein surface; 4) unaware of data distribution shift. To address the above issues, this work proposes EquiPocket, an E(3)-equivariant Graph Neural Network (GNN) for binding site prediction. In particular, EquiPocket consists of three modules: the first one to extract local geometric information for each surface atom, the second one to model both the chemical and spatial structure of the protein, and the last one to capture the geometry of the surface via equivariant message passing over the surface atoms. We further propose a dense attention output layer to better alleviate the data distribution shift effect incurred by the variable protein size. Extensive experiments on several representative benchmarks demonstrate the superiority of our framework to the state-of-the-art methods.
• Abstract（参考訳）: 標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニングの手法では、タンパク質をボクセルに空間的にクラスタリングし、ボクセル化タンパク質を3d cnnに供給して3d画像と見なす。 しかし、cnnベースの手法にはいくつかの重大な問題がある。 1) 不規則なタンパク質構造の表現に欠陥があること。 2) 回転に敏感である。 3) タンパク質表面を特徴付けることができないこと。 4)データ流通シフトを知らないこと。 上記の問題に対処するため、EquiPocketは、結合サイト予測のためのE(3)等価なグラフニューラルネットワーク(GNN)である。 特に、EquiPocketは3つのモジュールから構成されている: 表面原子ごとに局所的な幾何学的情報を抽出する第1のモジュール、タンパク質の化学的構造と空間的構造の両方をモデル化する第2のモジュール、表面原子を渡る同変メッセージを通して表面の幾何学を捉える第2のモジュール。 さらに,可変タンパク質サイズに起因したデータ分布シフト効果をより緩和するために,集中型注意出力層を提案する。 いくつかの代表的なベンチマークに関する広範囲な実験は、最先端のメソッドに対する我々のフレームワークの優位性を示しています。

関連論文リスト

• Geometric Self-Supervised Pretraining on 3D Protein Structures using Subgraphs [26.727436310732692]
  本稿では,3次元タンパク質構造上の3次元グラフニューラルネットワークを事前学習するための自己教師型手法を提案する。 提案手法が6%までの大幅な改善につながることを実験的に示す。
  論文  参考訳（メタデータ） (2024-06-20T09:34:31Z)
• Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
  本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。 本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。 提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
  論文  参考訳（メタデータ） (2024-01-17T14:10:40Z)
• Multi-Scale Representation Learning on Proteins [78.31410227443102]
  本稿では,タンパク質HoloProtのマルチスケールグラフ構築について紹介する。 表面はタンパク質の粗い詳細を捉え、配列は一次成分であり、構造はより微細な詳細を捉えている。 グラフエンコーダは、各レベルが下のレベル(s)からそのレベルでのグラフとエンコーディングを統合することで、マルチスケール表現を学習する。
  論文  参考訳（メタデータ） (2022-04-04T08:29:17Z)
• 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)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• G-VAE, a Geometric Convolutional VAE for ProteinStructure Generation [41.66010308405784]
  本稿では,3次元タンパク質構造の比較,変形,生成のための統合幾何学的ニューラルネットワーク手法を提案する。 本手法は, トレーニングデータの構造と異なり, 可塑性構造を生成することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:52:48Z)
• Deep Multi-attribute Graph Representation Learning on Protein Structures [15.805068154706571]
  タンパク質を3次元グラフとして表現し、距離幾何学グラフ表現と2面幾何学グラフ表現を同時に予測する新しいグラフニューラルネットワークアーキテクチャを提案する。 提案手法の有効性を実証し, 4つの異なるデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2020-12-22T00:30:19Z)
• Spherical convolutions on molecular graphs for protein model quality assessment [0.0]
  本研究では,分子グラフとして表されるタンパク質の3次元モデルを処理する球状グラフ畳み込みネットワーク(S-GCN)を提案する。 タンパク質モデル品質評価問題の枠組みの中で,提案した球面畳み込み法がモデル評価の質を著しく向上することを示す。
  論文  参考訳（メタデータ） (2020-11-16T14:22:36Z)
• 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。