論文の概要: FFF: Fragments-Guided Flexible Fitting for Building Complete Protein
Structures
- arxiv url: http://arxiv.org/abs/2308.03654v1
- Date: Mon, 7 Aug 2023 15:10:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 13:01:54.490500
- Title: FFF: Fragments-Guided Flexible Fitting for Building Complete Protein
Structures
- Title(参考訳): FFF:完全タンパク質構造構築のためのフラグメントガイド型フレキシブルフィッティング
- Authors: Weijie Chen, Xinyan Wang, Yuhang Wang
- Abstract要約: タンパク質構造予測とタンパク質構造認識を柔軟に組み合わせた新しいFFF法を提案する。
まず、入力された3次元Cryo-EMマップから様々な構造的特徴を捉えるために、マルチレベル認識ネットワークを使用する。
次に、これらの特徴に基づいて擬似ペプチドベクターとタンパク質配列アライメント法を用いてタンパク質構造断片を生成する。
- 参考スコア(独自算出の注目度): 10.682516227941592
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cryo-electron microscopy (cryo-EM) is a technique for reconstructing the
3-dimensional (3D) structure of biomolecules (especially large protein
complexes and molecular assemblies). As the resolution increases to the
near-atomic scale, building protein structures de novo from cryo-EM maps
becomes possible. Recently, recognition-based de novo building methods have
shown the potential to streamline this process. However, it cannot build a
complete structure due to the low signal-to-noise ratio (SNR) problem. At the
same time, AlphaFold has led to a great breakthrough in predicting protein
structures. This has inspired us to combine fragment recognition and structure
prediction methods to build a complete structure. In this paper, we propose a
new method named FFF that bridges protein structure prediction and protein
structure recognition with flexible fitting. First, a multi-level recognition
network is used to capture various structural features from the input 3D
cryo-EM map. Next, protein structural fragments are generated using pseudo
peptide vectors and a protein sequence alignment method based on these
extracted features. Finally, a complete structural model is constructed using
the predicted protein fragments via flexible fitting. Based on our benchmark
tests, FFF outperforms the baseline methods for building complete protein
structures.
- Abstract(参考訳): クリオ電子顕微鏡(cryo-electron microscopy)は、生体分子(特に大きなタンパク質複合体と分子集合体)の3次元構造を再構築する技術である。
分解能が原子近傍のスケールに増加すると、cryo-emマップからnovoタンパク質構造を構築することが可能となる。
近年,認識に基づくde novo構築手法が,このプロセスの合理化の可能性を示している。
しかし、低信号対雑音比(SNR)問題のため、完全な構造を構築することはできない。
同時に、アルファフォールドはタンパク質の構造を予測する上で大きなブレークスルーをもたらした。
これにより、断片認識と構造予測を組み合わせ、完全な構造を構築することができます。
本稿では,タンパク質構造予測とタンパク質構造認識を柔軟フィッティングで橋渡しするFFFという新しい手法を提案する。
まず、入力された3次元Cryo-EMマップから様々な構造的特徴を捉えるために、マルチレベル認識ネットワークを使用する。
次に、これらの特徴に基づいて擬似ペプチドベクターとタンパク質配列アライメント法を用いてタンパク質構造断片を生成する。
最後に、フレキシブルフィッティングにより予測されたタンパク質断片を用いて完全な構造モデルを構築する。
ベンチマークテストに基づいて、FFFは完全なタンパク質構造を構築するためのベースライン法よりも優れている。
関連論文リスト
- A Protein Structure Prediction Approach Leveraging Transformer and CNN
Integration [4.909112037834705]
本稿では、畳み込みニューラルネットワーク(CCN)を用いた2次元融合深層ニューラルネットワークモデルDstruCCNと、単一配列タンパク質構造予測のための教師付きトランスフォーマー言語モデルを採用する。
両者のトレーニング特徴を組み合わせ、タンパク質トランスフォーマー結合部位マトリックスを予測し、エネルギー最小化を用いて三次元構造を再構築する。
論文 参考訳(メタデータ) (2024-02-29T12:24:20Z) - Protein 3D Graph Structure Learning for Robust Structure-based Protein
Property Prediction [43.46012602267272]
タンパク質の構造に基づく特性予測は、様々な生物学的タスクにおいて有望なアプローチとして現れてきた。
現在のプラクティスは、推論中に正確に予測された構造を用いるだけで、予測精度の顕著な低下に悩まされている。
本フレームワークはモデルに依存しず,予測構造と実験構造の両方の特性予測の改善に有効である。
論文 参考訳(メタデータ) (2023-10-14T08:43:42Z) - CrysFormer: Protein Structure Prediction via 3d Patterson Maps and
Partial Structure Attention [7.716601082662128]
タンパク質の3次元構造は、しばしば非自明な計算コストをもたらす。
本稿では,タンパク質結晶学と部分構造情報を直接利用するトランスフォーマーモデルを提案する。
提案手法はtextttCrysFormer と呼ばれ,より小さなデータセットサイズと計算コストの削減に基づいて精度の高い予測を行うことができる。
論文 参考訳(メタデータ) (2023-10-05T21:10:22Z) - Structure-informed Language Models Are Protein Designers [69.70134899296912]
配列ベースタンパク質言語モデル(pLM)の汎用的手法であるLM-Designを提案する。
pLMに軽量な構造アダプターを埋め込んだ構造手術を行い,構造意識を付加した構造手術を行った。
実験の結果,我々の手法は最先端の手法よりも大きなマージンで優れていることがわかった。
論文 参考訳(メタデータ) (2023-02-03T10:49:52Z) - 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) - Learning Geometrically Disentangled Representations of Protein Folding
Simulations [72.03095377508856]
この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。
モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。
その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
論文 参考訳(メタデータ) (2022-05-20T19:38:00Z) - 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) - 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) - 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) - 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。