論文の概要: AtomSurf : Surface Representation for Learning on Protein Structures

• arxiv url: http://arxiv.org/abs/2309.16519v2
• Date: Mon, 5 Feb 2024 11:01:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 04:52:07.911973
• 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: 我々は3D$に埋め込まれた$textit surfacesとしてタンパク質を表現し、確立されたベンチマークの中でこの表現を評価する。 最初の発見は、有望な結果にもかかわらず、最先端のサーフェスベースの学習アプローチだけでは、このベンチマーク上の他のモダリティと競合しないということです。 グラフと表面ベースのアプローチを単一の学習可能なアーキテクチャに組み込んだ,新たなシナジスティックアプローチを導入する。
• 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: An essential aspect of learning from protein structures is the choice of their representation as a geometric object (be it a grid, graph, or surface), which conditions the associated learning method. The performance of a given approach will then depend on both the representation and its corresponding learning model. In this paper, we investigate representing proteins as $\textit{surfaces embedded in 3D}$ and evaluate this representation within an established benchmark: atom3d. Our first finding is that despite promising results, state-of-the-art surface-based learning approaches alone are not competitive with other modalities on this benchmark. Building on this, we introduce a novel synergistic approach that incorporates graph and surface-based approaches within a single learnable architecture. We show that using this combination, which inherits the strengths of the two representations, we obtain state-of-the-art results across $\textit{all tested tasks}$, on the atom3d benchmark, as well as on binding pocket classification. Our code and data can be found online: https://github.com/Vincentx15/atom2D.
• Abstract（参考訳）: タンパク質構造から学ぶ上で重要な側面は、それらの表現を幾何学的対象(グリッド、グラフ、表面など)として選択することであり、関連する学習方法を条件付ける。 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モデルの両方に依存します。 本稿では,タンパク質を$\textit{surfaces embedded in 3d}$として表現し,その表現を確立されたベンチマークatom3dで評価する。 最初の発見は、有望な結果にもかかわらず、最先端のsurfaceベースの学習アプローチだけでは、このベンチマークの他のモダリティとは競合しないということです。 そこで本研究では,1つの学習可能なアーキテクチャにグラフとサーフェスベースのアプローチを組み込んだ新しい相乗的アプローチを提案する。 2つの表現の長所を継承するこの組み合わせを用いることで、$\textit{all test task}$、atom3dベンチマーク、およびバインディングポケット分類において、最先端の結果が得られることを示す。 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)
• Reviving Life on the Edge: Joint Score-Based Graph Generation of Rich Edge Attributes [14.718204958140888]
  本稿では,全てのグラフ成分を考慮したグラフ生成のためのノードとエッジの連成スコアベースモデルを提案する。 textbf(1)ノードとエッジ属性をアテンションモジュールに結合し,その2つの成分に基づいてサンプルを生成する。 我々は,エッジ特徴が重要となる実世界のデータセットと合成データセットを含む,挑戦的なベンチマークについて評価する。
  論文  参考訳（メタデータ） (2024-02-06T14:48:34Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [71.91424164693422]
  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)
• 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。