論文の概要: Improving Protein-peptide Interface Predictions in the Low Data Regime

• arxiv url: http://arxiv.org/abs/2306.00557v1
• Date: Wed, 31 May 2023 17:04:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 16:43:11.303461
• Title: Improving Protein-peptide Interface Predictions in the Low Data Regime
• Title（参考訳）: 低データレジームにおけるタンパク質-ペプチド界面予測の改善
• Authors: Justin Diamond, Markus Lill
• Abstract要約: 本稿では,バイモーダルトランスを用いたタンパク質-ペプチド相互作用の予測手法を提案する。 界面残基-残基相互作用の分布は界面残基-残基相互作用と重なり合うことを示す。 このデータ拡張により、PepBDBで利用可能な膨大な量のタンパク質のみのデータを活用して、ニューラルネットワークをトレーニングできます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel approach for predicting protein-peptide interactions using a bi-modal transformer architecture that learns an inter-facial joint distribution of residual contacts. The current data sets for crystallized protein-peptide complexes are limited, making it difficult to accurately predict interactions between proteins and peptides. To address this issue, we propose augmenting the existing data from PepBDB with pseudo protein-peptide complexes derived from the PDB. The augmented data set acts as a method to transfer physics-based contextdependent intra-residue (within a domain) interactions to the inter-residual (between) domains. We show that the distributions of inter-facial residue-residue interactions share overlap with inter residue-residue interactions, enough to increase predictive power of our bi-modal transformer architecture. In addition, this dataaugmentation allows us to leverage the vast amount of protein-only data available in the PDB to train neural networks, in contrast to template-based modeling that acts as a prior
• Abstract（参考訳）: 本稿では,残接の界面結合分布を学習するバイモーダルトランスフォーマーアーキテクチャを用いて,タンパク質-ペプチド相互作用を予測する新しい手法を提案する。 現在の結晶化タンパク質-ペプチド複合体のデータセットは限られており、タンパク質とペプチドの相互作用を正確に予測することは困難である。 この問題に対処するため,PepBDBの既存のデータをPDB由来の擬似タンパク質ペプチド複合体で拡張することを提案する。 拡張データセットは、物理ベースのコンテキスト依存のresidue内相互作用をresidual(inter-residual)ドメインに転送する方法として機能する。 界面残差-残差相互作用の分布は, 界面残差-残差相互作用と重なり合い, バイモーダルトランスアーキテクチャの予測力を高めるのに十分であることを示す。 さらに、このデータ拡張により、プリミティブとして機能するテンプレートベースのモデリングとは対照的に、PDBで利用可能な膨大な量のタンパク質のみのデータを利用してニューラルネットワークをトレーニングすることができる。

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)
• 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)
• Effective Protein-Protein Interaction Exploration with PPIretrieval [46.07027715907749]
  PPIretrievalはタンパク質とタンパク質の相互作用を探索する最初の深層学習モデルである。 PPIretrievalは、埋め込み空間における潜在的なPPIを探し、タンパク質表面の豊富な幾何学的および化学的情報を収集する。
  論文  参考訳（メタデータ） (2024-02-06T03:57:06Z)
• 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)
• Improved K-mer Based Prediction of Protein-Protein Interactions With Chaos Game Representation, Deep Learning and Reduced Representation Bias [0.0]
  本稿では,対話データセットからユニークなペアを抽出し,非バイアス付き機械学習のための非冗長なペアデータを生成する手法を提案する。 我々は,タンパク質のコード遺伝子のカオスゲーム表現から相互作用を学習し,予測できる畳み込みニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2023-10-23T10:02:23Z)
• 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)
• Geometric Transformers for Protein Interface Contact Prediction [3.031630445636656]
  本稿では、回転および翻訳不変タンパク質界面の接触予測のための新しい幾何学進化グラフ変換器Geometric Transformerを提案する。 DeepInteractは、2つのタンパク質の3D第三次構造を入力として、パートナー特異的なタンパク質界面接触を予測する。
  論文  参考訳（メタデータ） (2021-10-06T00:12:15Z)
• 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)
• Cross-Modality Protein Embedding for Compound-Protein Affinity and Contact Prediction [15.955668586941472]
  タンパク質を1Dアミノ酸配列と(シーケンス予測)2D残基ペア接触マップを含むマルチモーダルデータとみなす。 CPAC予測の精度と一般化性において,2つの単一モードの埋め込みを実証的に評価した。
  論文  参考訳（メタデータ） (2020-11-14T04:42:25Z)
• Deep Learning of High-Order Interactions for Protein Interface Prediction [58.164371994210406]
  本稿では,タンパク質界面の予測を2次元密度予測問題として定式化する。 タンパク質をグラフとして表現し、グラフニューラルネットワークを用いてノードの特徴を学習する。 我々は高次対相互作用を組み込んで、異なる対相互作用を含む3次元テンソルを生成する。
  論文  参考訳（メタデータ） (2020-07-18T05:39:35Z)

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。