論文の概要: Optimizing protein fitness using Gibbs sampling with Graph-based Smoothing

• arxiv url: http://arxiv.org/abs/2307.00494v1
• Date: Sun, 2 Jul 2023 06:55:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 15:44:58.589674
• Title: Optimizing protein fitness using Gibbs sampling with Graph-based Smoothing
• Title（参考訳）: グラフに基づく平滑化によるgibbsサンプリングによるタンパク質適合性の最適化
• Authors: Andrew Kirjner, Jason Yim, Raman Samusevich, Tommi Jaakkola, Regina Barzilay, Ila Fiete
• Abstract要約: 非常に大きなシーケンス空間をブルートフォースで探索することは不可能である。 本稿では,グラフに基づくSmoothing (GGS) を用いたギブスサンプリングを提案する。 我々の方法は、トレーニングセットから最大8個の変異を持つ高適合性タンパク質を発見するための最先端技術である。
• 参考スコア（独自算出の注目度）: 26.57832091272894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to design novel proteins with higher fitness on a given task would be revolutionary for many fields of medicine. However, brute-force search through the combinatorially large space of sequences is infeasible. Prior methods constrain search to a small mutational radius from a reference sequence, but such heuristics drastically limit the design space. Our work seeks to remove the restriction on mutational distance while enabling efficient exploration. We propose Gibbs sampling with Graph-based Smoothing (GGS) which iteratively applies Gibbs with gradients to propose advantageous mutations using graph-based smoothing to remove noisy gradients that lead to false positives. Our method is state-of-the-art in discovering high-fitness proteins with up to 8 mutations from the training set. We study the GFP and AAV design problems, ablations, and baselines to elucidate the results. Code: https://github.com/kirjner/GGS
• Abstract（参考訳）: 与えられたタスクで高い適合性を持つ新規タンパク質を設計する能力は、多くの医学分野で革命的なものになる。 しかし、組合せ的に大きい列空間をブルートフォースで探索することは不可能である。 以前の手法では、参照配列から小さな突然変異半径に探索を制限しているが、そのようなヒューリスティックスは設計空間を劇的に制限する。 我々の研究は、効率的な探索を可能にしながら、突然変異距離の制限を取り除こうとしている。 グラフベーススムースティング(GGS)を用いたギブズサンプリング法を提案し,グラフベーススムースメントを用いてギブズと勾配を反復的に適用し,偽陽性につながる雑音的な勾配を除去する。 本手法は,トレーニングセットから最大8変異の高適合性タンパク質を探索する技術である。 GFP と AAV の設計問題,アブレーション,ベースラインについて検討し,その結果を解明した。 コード: https://github.com/kirjner/ggs

関連論文リスト

• Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
  GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。 また,GA-Planeは既存の表現にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:21:58Z)
• Robust Optimization in Protein Fitness Landscapes Using Reinforcement Learning in Latent Space [13.228932754390748]
  大規模タンパク質言語モデルを利用したエンコーダデコーダで学習した潜在空間を効率的にトラバースする最適化手法であるLatProtRLを提案する。 局所最適化を回避すべく, 遅延空間で直接作用する強化学習を用いてマルコフ決定過程をモデル化した。 この結果とin vitroでの評価は, 生成配列が高適合領域に到達できることを示し, ラボイン・ザ・ループシナリオにおけるLatProtRLの有意な可能性を示した。
  論文  参考訳（メタデータ） (2024-05-29T11:03:42Z)
• HiFi4G: High-Fidelity Human Performance Rendering via Compact Gaussian Splatting [48.59338619051709]
  HiFi4Gは、高密度映像からの高忠実度人間パフォーマンスレンダリングのための、明示的でコンパクトなガウスベースのアプローチである。 圧縮速度は25回程度で、1フレームあたり2MB未満である。
  論文  参考訳（メタデータ） (2023-12-06T12:36:53Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• Improving few-shot learning-based protein engineering with evolutionary sampling [0.0]
  本稿では,高価なウェットラボテストサイクルを加速することを目的とした,新規なタンパク質設計のための数発の学習手法を提案する。 提案手法は, 所望のタンパク質機能に対する個別のフィットネスランドスケープを生成する半教師ありトランスファー学習法と, 新たな進化的モンテカルロ連鎖サンプリングアルゴリズムとから構成される。 予測された高適合性遺伝子アクチベーターを実験的にスクリーニングすることにより,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-05-23T23:07:53Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Faster Optimization on Sparse Graphs via Neural Reparametrization [15.275428333269453]
  グラフニューラルネットワークは,10-100倍の係数で最適化を高速化する,効率的な準ニュートン法を実装可能であることを示す。 本稿では, 熱拡散, 同期, 持続的ホモロジーなどの科学的問題に対する本手法の適用について述べる。
  論文  参考訳（メタデータ） (2022-05-26T20:52:18Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• Fast differentiable DNA and protein sequence optimization for molecular design [0.0]
  シークエンスから生物学的適合性を正確に予測する機械学習モデルは、分子設計の強力なツールになりつつある。 そこで本研究では,従来提案されていたストレートスルー近似法を用いて,離散シーケンスサンプルを最適化する。 私たちがFast SeqPropPropと呼ぶ結果のアルゴリズムは、以前のバージョンに比べて最大100倍の高速収束を実現している。
  論文  参考訳（メタデータ） (2020-05-22T17:03:55Z)

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。