論文の概要: AtomSurf : Surface Representation for Learning on Protein Structures
- arxiv url: http://arxiv.org/abs/2309.16519v1
- Date: Thu, 28 Sep 2023 15:25:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 13:45:58.484256
- Title: AtomSurf : Surface Representation for Learning on Protein Structures
- Title（参考訳）: AtomSurf : タンパク質構造学習のための表面表現
- Authors: Vincent Mallet, Souhaib Attaiki and Maks Ovsjanikov
- Abstract要約: 本稿では、タンパク質を$textit3D mesh surfaces$として表現し、それらを確立された表現ベンチマークに組み込む。
本稿では,表面表現とグラフに基づく手法を組み合わせた相乗的手法を提案する。
この組み合わせにより、$textitallテストタスク間で最先端の結果を得ることができることを示す。
- 参考スコア（独自算出の注目度）: 35.31161188889234
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recent advancements in Cryo-EM and protein structure prediction algorithms
have made large-scale protein structures accessible, paving the way for machine
learning-based functional annotations.The field of geometric deep learning
focuses on creating methods working on geometric data. An essential aspect of
learning from protein structures is representing these structures as a
geometric object (be it a grid, graph, or surface) and applying a learning
method tailored to this representation. The performance of a given approach
will then depend on both the representation and its corresponding learning
method.
In this paper, we investigate representing proteins as $\textit{3D mesh
surfaces}$ and incorporate them into an established representation benchmark.
Our first finding is that despite promising preliminary results, the surface
representation alone does not seem competitive with 3D grids. Building on this,
we introduce a synergistic approach, combining surface representations with
graph-based methods, resulting in a general framework that incorporates both
representations in learning. We show that using this combination, we are able
to obtain state-of-the-art results across $\textit{all tested tasks}$. Our code
and data can be found online: https://github.com/Vincentx15/atom2D .
- Abstract（参考訳）: 近年のCryo-EMとタンパク質構造予測アルゴリズムの進歩は、大規模タンパク質構造をアクセスしやすくし、機械学習に基づく機能アノテーションの道を開いた。
タンパク質構造から学ぶ重要な側面は、これらの構造を幾何学的対象(格子、グラフ、表面など)として表現し、この表現に合わせた学習法を適用することである。
与えられたアプローチのパフォーマンスは、表現とそれに対応する学習方法の両方に依存する。
本稿では,タンパク質を$\textit{3d mesh surface}$として表現し,それを確立された表現ベンチマークに組み込む。
最初の発見は、有望な予備結果にもかかわらず、表面表現だけでは3Dグリッドと競合しないように見えることである。
そこで本研究では,表面表現とグラフベース手法を組み合わせた相乗的アプローチを導入し,学習における両方の表現を組み込んだ汎用フレームワークを提案する。
この組み合わせを使うことで、$\textit{all test task}$.to-the-artの結果が得られます。
私たちのコードとデータはオンラインで見つけることができます。
関連論文リスト
- Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - GeoMask3D: Geometrically Informed Mask Selection for Self-Supervised Point Cloud Learning in 3D [18.33878596057853]
ポイントクラウドのための自己教師型学習に先駆的なアプローチを導入する。
我々は、Masked Autosの効率を高めるためにGeoMask3D(GM3D)と呼ばれる幾何学的に情報を得たマスク選択戦略を採用した。
論文 参考訳（メタデータ） (2024-05-20T23:53:42Z) - Human as Points: Explicit Point-based 3D Human Reconstruction from
Single-view RGB Images [78.56114271538061]
我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。
提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。
我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
論文 参考訳（メタデータ） (2023-11-06T05:52:29Z) - Building Shortcuts between Distant Nodes with Biaffine Mapping for Graph
Convolutional Networks [18.160610500658183]
本稿では,浅いアーキテクチャでグラフ畳み込みネットワークの表現性を向上するバイファイン手法を提案する。
提案手法は,ノードの長距離隣人への直接依存を学習することであり,ノード表現のためのリッチな情報を取得することができるのはワンホップメッセージパッシングのみである。
論文 参考訳（メタデータ） (2023-02-17T06:39:47Z) - DiffusionNet: Discretization Agnostic Learning on Surfaces [48.658589779470454]
本研究では,空間コミュニケーションにおいて単純な拡散層が極めて有効であるという知見に基づいて,三次元表面の深層学習に新たなアプローチを導入する。
結果として得られるネットワークは、表面の様々なサンプリングと解像度を自動的に一般化する。
主に三角形メッシュ表面に注目し, 表面分類, セグメンテーション, 非剛性対応など, 様々なタスクの最先端結果を示す。
論文 参考訳（メタデータ） (2020-12-01T23:24:22Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-11-19T17:29:13Z) - Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer
Proxies [65.92826041406802]
本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。
複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。
本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-10-26T14:52:42Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳（メタデータ） (2020-10-25T22:39:31Z) - Globally Optimal Segmentation of Mutually Interacting Surfaces using
Deep Learning [6.11411524694755]
ディープラーニングは、優れた特徴学習能力のおかげで、医用画像セグメンテーションの強力なツールとして出現している。
本稿では,グラフモデルにおける表面コスト関数のパラメータ化と,それらのパラメータの学習にDLを活用することを提案する。
次に、相互表面の相互作用制約を明示的に実施しながら、全表面コストを最小化することにより、多重最適表面を同時に検出する。
論文 参考訳（メタデータ） (2020-07-02T17:13:35Z) - Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。
グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF)
完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文 参考訳（メタデータ） (2020-04-06T13:25:46Z)
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。