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

• 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。