論文の概要: nD-PDPA: nDimensional Probability Density Profile Analysis

• arxiv url: http://arxiv.org/abs/2304.02682v1
• Date: Wed, 5 Apr 2023 18:25:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 16:30:14.699350
• Title: nD-PDPA: nDimensional Probability Density Profile Analysis
• Title（参考訳）: nD-PDPA:n次元確率密度プロファイル解析
• Authors: Arjang Fahim, Stephanie Irausquin, Homayoun Valafar
• Abstract要約: NMR分光法の適用性を高めるために、いくつかの計算方法が開発されている。 これらの手法は、より困難で構造的に新しいタンパク質を解くために成功した結果を示す。 本稿ではPDPA法の最近の展開について述べる。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the recent advances in various Structural Genomics Projects, a large gap remains between the number of sequenced and structurally characterized proteins. Some reasons for this discrepancy include technical difficulties, labor, and the cost related to determining a structure by experimental methods such as NMR spectroscopy. Several computational methods have been developed to expand the applicability of NMR spectroscopy by addressing temporal and economical problems more efficiently. While these methods demonstrate successful outcomes to solve more challenging and structurally novel proteins, the cost has not been reduced significantly. Probability Density Profile Analysis (PDPA) has been previously introduced by our lab to directly address the economics of structure determination of routine proteins and the identification of novel structures from a minimal set of unassigned NMR data. 2D-PDPA (in which 2D denotes incorporation of data from two alignment media) has been successful in identifying the structural homolog of an unknown protein within a library of ~1000 decoy structures. In order to further expand the selectivity and sensitivity of PDPA, the incorporation of additional data was necessary. However, the expansion of the original PDPA approach was limited by its computational requirements where the inclusion of additional data would render it computationally intractable. Here we present the most recent developments of PDPA method (nD-PDPA: n Dimensional Probability Density Profile Analysis) that eliminate 2D-PDPA's computational limitations, and allows inclusion of RDC data from multiple vector types in multiple alignment media.
• Abstract（参考訳）: 近年の様々な構造ゲノミクス計画の進展にもかかわらず、配列と構造的に特徴付けられたタンパク質の数の間には大きなギャップが残っている。 この相違の原因には、技術的困難、労力、NMR分光法のような実験的手法による構造決定に関連するコストがある。 時間的および経済的な問題をより効率的に解決し、NMR分光法の適用性を高めるために、いくつかの計算方法が開発されている。 これらの方法では、より困難で構造的に新しいタンパク質を解決できるが、コストは大幅に削減されていない。 確率密度プロファイル分析 (PDPA) は, 通常のタンパク質の構造決定の経済性や, NMRデータの最小セットから新規構造の同定に直接対処するために, 我々の研究室で導入されている。 2D-PDPA(2Dは2つのアライメント媒体からのデータの取り込みを表す)は、1000個のデコイ構造のライブラリー内で未知のタンパク質の構造的ホモログを同定することに成功した。 PDPAの選択性と感度をさらに向上するためには,追加データの導入が必要であった。 しかし、元のPDPAアプローチの拡張は、追加データを含めることで計算的に難解になる計算要求によって制限された。 本稿では,2D-PDPAの計算限界を排除し,複数のベクトルタイプからのRDCデータを複数のアライメントメディアに含めるPDPA法(nD-PDPA:n-dimensional Probability Density Profile Analysis)の最近の展開を示す。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure reconstruction from extremely small data sets [110.60233593474796]
  DA-VEGANは2つの中心的なイノベーションを持つモデルである。 $beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。 このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
  論文  参考訳（メタデータ） (2023-02-17T08:49:09Z)
• NeuralSI: Structural Parameter Identification in Nonlinear Dynamical Systems [9.77270939559057]
  本稿では,構造同定のための新しいフレームワークであるNeuralSIについて検討する。 提案手法は, 制御方程式から非線形パラメータを推定することを目的とする。 トレーニングされたモデルは、標準条件と極端な条件の両方で外挿することもできる。
  論文  参考訳（メタデータ） (2022-08-26T16:32:51Z)
• Determinantal point processes based on orthogonal polynomials for sampling minibatches in SGD [0.0]
  勾配降下(SGD)は機械学習の基盤である。 デフォルトのミニバッチ構成では、望ましいサイズのサブセットを一様にサンプリングする。 DPPと制御された近似の列が、一様サンプリングよりもバッチサイズで高速に崩壊するばらつきを持つ勾配推定器にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2021-12-11T15:09:19Z)
• An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
  分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。 具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
  論文  参考訳（メタデータ） (2021-05-15T15:22:29Z)
• Estimation and Quantization of Expected Persistence Diagrams [0.0]
  本稿では,2つの要約,EPD(Persistence Diagram)とその量子化について検討する。 EPDはR2でサポートされる測定値です。 この推定器は、パラメトリック収束率を持つ大クラスのモデルのミニマックスの観点から最適であることを示す。
  論文  参考訳（メタデータ） (2021-05-11T08:12:18Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• Deep-learning based discovery of partial differential equations in integral form from sparse and noisy data [2.745859263816099]
  上記の問題を同時に扱うために,ディープラーニングと積分形式を組み合わせた新しいフレームワークを提案する。 提案アルゴリズムは, 積分形式の利用により, 従来の手法と比較して, ノイズに強く, 精度が高い。
  論文  参考訳（メタデータ） (2020-11-24T09:18:39Z)
• 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)
• Intrinsic-Extrinsic Convolution and Pooling for Learning on 3D Protein Structures [18.961218808251076]
  大規模タンパク質データの深部3次元解析を可能にする2つの新しい学習操作を提案する。 まず、内在的(タンパク質の折り畳みの下での不変)と外因的(結合下での不変)の両方を考慮する新しい畳み込み演算子を導入する。 第2に、階層的なプーリング演算子を導入し、タンパク質がアミノ酸の有限組の再結合であるという事実を活用することにより、マルチスケールのタンパク質分析を可能にする。
  論文  参考訳（メタデータ） (2020-07-13T09:02:40Z)

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。