論文の概要: AtomSurf : Surface Representation for Learning on Protein Structures
- arxiv url: http://arxiv.org/abs/2309.16519v3
- Date: Thu, 03 Oct 2024 14:55:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-04 23:27:51.591209
- 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, Yangyang Miao, Bruno Correia, Maks Ovsjanikov,
- Abstract要約: 本研究では,タンパク質学習タスクに最先端のサーフェスエンコーダを適用する。
次に、Atom3Dベンチマーク内の代替手法と比較する。
最後に、グラフと表面表現の学習的特徴共有を可能にする統合的なアプローチを提案する。
- 参考スコア(独自算出の注目度): 27.5217378927018
- License:
- Abstract: While there has been significant progress in evaluating and comparing different representations for learning on protein data, the role of surface-based learning approaches remains not well-understood. In particular, there is a lack of direct and fair benchmark comparison between the best available surface-based learning methods against alternative representations such as graphs. Moreover, the few existing surface-based approaches either use surface information in isolation or, at best, perform global pooling between surface and graph-based architectures. In this work, we fill this gap by first adapting a state-of-the-art surface encoder for protein learning tasks. We then perform a direct and fair comparison of the resulting method against alternative approaches within the Atom3D benchmark, highlighting the limitations of pure surface-based learning. Finally, we propose an integrated approach, which allows learned feature sharing between graphs and surface representations on the level of nodes and vertices $\textit{across all layers}$. We demonstrate that the resulting architecture achieves state-of-the-art results on all tasks in the Atom3D benchmark, while adhering to the strict benchmark protocol, as well as more broadly on binding site identification and binding pocket classification. Furthermore, we use coarsened surfaces and optimize our approach for efficiency, making our tool competitive in training and inference time with existing techniques. Our code and data can be found online: $\texttt{github.com/Vincentx15/atomsurf}$
- Abstract(参考訳): タンパク質データ上での学習の異なる表現の評価と比較には大きな進歩があったが、表面ベースの学習手法の役割はよく理解されていない。
特に、グラフのような代替表現に対して、最良の曲面ベース学習法間で直接的かつ公平なベンチマークが欠如している。
さらに、既存のサーフェスベースのアプローチでは、分離されたサーフェス情報を使用するか、または、せいぜい、サーフェスとグラフベースのアーキテクチャ間のグローバルプールを実行する。
本研究では,タンパク質学習タスクに最先端表面エンコーダを適用することで,このギャップを埋める。
次に、結果の方法とAtom3Dベンチマークの代替手法との直接的かつ公平な比較を行い、純粋な表面ベース学習の限界を強調します。
最後に、ノードと頂点のレベルにおけるグラフと表面表現の学習的特徴共有を可能にする統合的なアプローチを提案する。
我々は,Atom3Dベンチマークのすべてのタスクにおいて,結果として得られたアーキテクチャが,厳密なベンチマークプロトコルに固執すると同時に,より広い範囲において,バインディングサイト識別とバインディングポケット分類に頼っていることを実証した。
さらに、粗い表面を使い、効率的なアプローチを最適化し、既存の技術とのトレーニングや推論時間に競争力を持たせる。
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。 $\texttt{github.com/Vincentx15/atomsurf}$
関連論文リスト
- Rethinking SO(3)-equivariance with Bilinear Tensor Networks [0.0]
我々は、偏差対称性の破れにより、SO$(2)$のベクトルおよび順序2テンソル表現のみに作用するネットワークの表現性を向上させることができることを示す。
本稿では, b-中間子崩壊から生じる粒子ジェットを, 圧倒的なQCD背景から識別しなくてはならない, テクスタイブタグと呼ばれる高エネルギー物理の重要な問題に対して, 本手法を実証する。
論文 参考訳(メタデータ) (2023-03-20T17:23:15Z) - EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction [49.674494450107005]
標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。
既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。
本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。
論文 参考訳(メタデータ) (2023-02-23T17:18:26Z) - Geometric Graph Learning with Extended Atom-Types Features for
Protein-Ligand Binding Affinity Prediction [0.17132914341329847]
我々は、SYBYLのような広範囲な原子タイプを統合することにより、タンパク質-リガンド相互作用の研究のためにグラフベースの学習者をアップグレードする。
我々のアプローチでは、$textsybyltextGGL$-Scoreと$texteciftextGGL$-Scoreの2つの異なるメソッドが生成される。
SYBYL atom-type model $textsybyltextGGL$-Score はすべてのベンチマークで他の手法よりも優れています。
論文 参考訳(メタデータ) (2023-01-15T21:30:21Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - Semantic keypoint-based pose estimation from single RGB frames [64.80395521735463]
一つのRGB画像からオブジェクトの連続6-DoFポーズを推定する手法を提案する。
このアプローチは、畳み込みネットワーク(convnet)によって予測されるセマンティックキーポイントと、変形可能な形状モデルを組み合わせる。
提案手法は,インスタンスベースのシナリオとクラスベースのシナリオの両方に対して,6-DoFオブジェクトのポーズを正確に復元できることを示す。
論文 参考訳(メタデータ) (2022-04-12T15:03:51Z) - End-to-End Learning of Multi-category 3D Pose and Shape Estimation [128.881857704338]
本稿では,画像から2次元キーポイントを同時に検出し,それらを3次元に引き上げるエンド・ツー・エンド手法を提案する。
提案手法は2次元キーポイントアノテーションからのみ2次元検出と3次元リフトを学習する。
画像から3D学習へのエンドツーエンド化に加えて,1つのニューラルネットワークを用いて複数のカテゴリからのオブジェクトも処理する。
論文 参考訳(メタデータ) (2021-12-19T17:10:40Z) - Segmenting 3D Hybrid Scenes via Zero-Shot Learning [13.161136148641813]
この研究は、ゼロショット学習の枠組みの下で、3Dハイブリッドシーンのポイントクラウドセマンティックセマンティックセマンティクスの問題に取り組むことを目的としている。
本稿では、PFNetと呼ばれる、オブジェクトの様々なクラスに対するポイント特徴を、見えていないクラスと見えないクラスの両方のセマンティック特徴を利用して合成するネットワークを提案する。
提案したPFNet は点特徴を合成するために GAN アーキテクチャを用いており、新しい意味正規化器を適用することにより、目に見えるクラスと目に見えないクラスの特徴のセマンティックな関係が統合される。
本研究では,S3DISデータセットとScanNetデータセットを6つの異なるデータ分割で再編成し,アルゴリズム評価のための2つのベンチマークを提案する。
論文 参考訳(メタデータ) (2021-07-01T13:21:49Z) - Hard Example Generation by Texture Synthesis for Cross-domain Shape
Similarity Learning [97.56893524594703]
画像に基づく3次元形状検索(IBSR)は、与えられた2次元画像の対応する3次元形状を、大きな3次元形状データベースから見つけることを目的としている。
いくつかの適応技法によるメートル法学習は、類似性学習を形作るための自然な解決策のようです。
テクスチャ合成を応用した幾何中心の多視点メトリック学習フレームワークを開発した。
論文 参考訳(メタデータ) (2020-10-23T08:52:00Z) - Learning from Protein Structure with Geometric Vector Perceptrons [6.5360079597553025]
幾何学的ベクトルパーセプトロンを導入し、標準密度層を拡張してユークリッドベクトルの集合を演算する。
本稿では,タンパク質構造から学習する際の2つの重要な問題として,モデル品質評価と計算タンパク質設計について述べる。
論文 参考訳(メタデータ) (2020-09-03T01:54:25Z)
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。