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

• CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation [7.161099050722313]
  タンパク質構造評価用結晶対予測学習モデル(CPE-Pro)を開発した。 CPE-Proはタンパク質の構造情報を学習し、構造間の差異を捉え、4つのデータクラスの正確なトレーサビリティを実現する。 我々は Foldseek を用いてタンパク質構造を「構造配列」にエンコードし、タンパク質構造配列言語モデル SSLM を訓練した。
  論文  参考訳（メタデータ） (2024-10-21T02:21:56Z)
• Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
  タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。 我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。 我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
  論文  参考訳（メタデータ） (2024-05-30T17:53:50Z)
• cryoSPHERE: Single-particle heterogeneous reconstruction from cryo EM [9.887133861477233]
  単一粒子低温電子顕微鏡(cryo EM)は、与えられたタンパク質の多数の画像を取得する強力なツールである。 本稿では,タンパク質構造を入力とする深層学習手法であるCryoSPHEREを紹介する。
  論文  参考訳（メタデータ） (2024-05-29T15:12:19Z)
• 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)
• 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)
• 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。