論文の概要: Target-aware Variational Auto-encoders for Ligand Generation with
Multimodal Protein Representation Learning
- arxiv url: http://arxiv.org/abs/2309.16685v1
- Date: Wed, 2 Aug 2023 12:08:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 05:58:21.937784
- Title: Target-aware Variational Auto-encoders for Ligand Generation with
Multimodal Protein Representation Learning
- Title（参考訳）: マルチモーダルタンパク質表現学習によるリガンド生成のためのターゲット対応変分自動エンコーダ
- Authors: Nhat Khang Ngo and Truong Son Hy
- Abstract要約: ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。
これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
- 参考スコア（独自算出の注目度）: 2.01243755755303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Without knowledge of specific pockets, generating ligands based on the global
structure of a protein target plays a crucial role in drug discovery as it
helps reduce the search space for potential drug-like candidates in the
pipeline. However, contemporary methods require optimizing tailored networks
for each protein, which is arduous and costly. To address this issue, we
introduce TargetVAE, a target-aware variational auto-encoder that generates
ligands with high binding affinities to arbitrary protein targets, guided by a
novel multimodal deep neural network built based on graph Transformers as the
prior for the generative model. This is the first effort to unify different
representations of proteins (e.g., sequence of amino-acids, 3D structure) into
a single model that we name as Protein Multimodal Network (PMN). Our multimodal
architecture learns from the entire protein structures and is able to capture
their sequential, topological and geometrical information. We showcase the
superiority of our approach by conducting extensive experiments and
evaluations, including the assessment of generative model quality, ligand
generation for unseen targets, docking score computation, and binding affinity
prediction. Empirical results demonstrate the promising performance of our
proposed approach. Our software package is publicly available at
https://github.com/HySonLab/Ligand_Generation
- Abstract（参考訳）: 特定のポケットの知識がなければ、タンパク質標的のグローバルな構造に基づくリガンドの生成は、パイプライン内の潜在的薬物様候補の探索スペースを減らすのに役立つため、薬物発見において重要な役割を果たす。
しかし、現代の手法では、タンパク質ごとに調整されたネットワークを最適化する必要がある。
この問題に対処するために,グラフトランスフォーマーをベースとした新しいマルチモーダルディープニューラルネットワークにより,任意のタンパク質ターゲットに高い結合親和性を持つリガンドを生成するターゲット対応変分自動エンコーダであるTargetVAEを紹介する。
これはタンパク質の異なる表現(アミノ酸配列、3D構造など)を1つのモデルに統一する最初の試みであり、これはタンパク質マルチモーダルネットワーク(PMN)と呼ばれる。
私たちのマルチモーダルアーキテクチャは、タンパク質構造全体から学び、それらのシーケンシャル、トポロジカル、幾何学的な情報を捉えることができます。
提案手法は,生成モデルの品質評価,未確認目標のリガンド生成,ドッキングスコア計算,結合親和性予測など,広範な実験と評価を行うことにより,その優位性を示す。
実験結果は,提案手法の有望な性能を示す。
私たちのソフトウェアパッケージはhttps://github.com/HySonLab/Ligand_Generationで公開されています。
関連論文リスト
- OneProt: Towards Multi-Modal Protein Foundation Models [5.440531199006399]
我々は、構造、配列、アライメント、結合サイトデータを統合する、タンパク質のためのマルチモーダルAIであるOneProtを紹介する。
金属イオン結合分類、遺伝子オントロジーアノテーション、酵素機能予測など、様々な下流タスクにおける最先端の手法を超越している。
この研究は、タンパク質モデルにおけるマルチモーダル能力を拡大し、薬物発見、生物触媒反応計画、タンパク質工学の応用への道を開く。
論文 参考訳（メタデータ） (2024-11-07T16:54:54Z) - SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
タンパク質基盤モデルのための新しい事前学習戦略を導入する。
アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。
大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
論文 参考訳（メタデータ） (2024-10-31T15:22:03Z) - MAMMAL -- Molecular Aligned Multi-Modal Architecture and Language [0.24434823694833652]
MAMMALは、大規模生物学的データセットから学習する多目的マルチタスク基盤モデルである。
我々は、幅広い分類、回帰、生成タスクをサポートするプロンプト構文を導入する。
典型的薬物発見パイプライン内の異なるステップにまたがる11種類の下流タスクのモデルを評価した。
論文 参考訳（メタデータ） (2024-10-28T20:45:52Z) - xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering
the Language of Protein [76.18058946124111]
本稿では,タンパク質の理解と生成を同時に行うために,統一されたタンパク質言語モデル xTrimoPGLM を提案する。
xTrimoPGLMは、4つのカテゴリにわたる18のタンパク質理解ベンチマークにおいて、他の高度なベースラインを著しく上回っている。
また、自然の原理に従ってデノボタンパク質配列を生成でき、微調整を監督した後にプログラム可能な生成を行うことができる。
論文 参考訳（メタデータ） (2024-01-11T15:03:17Z) - Prot2Text: Multimodal Protein's Function Generation with GNNs and Transformers [18.498779242323582]
本稿では,タンパク質の機能を自由テキスト形式で予測する新しいアプローチであるProt2Textを提案する。
エンコーダ・デコーダフレームワークでグラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を組み合わせることにより,本モデルは多種多様なデータ型を効果的に統合する。
論文 参考訳（メタデータ） (2023-07-25T09:35:43Z) - HAC-Net: A Hybrid Attention-Based Convolutional Neural Network for
Highly Accurate Protein-Ligand Binding Affinity Prediction [0.0]
本稿では,3次元畳み込みニューラルネットワークと2つのグラフ畳み込みニューラルネットワークからなる新しいディープラーニングアーキテクチャを提案する。
HAC-NetはPDBbind v.2016コアセットの最先端結果を取得する。
我々は,このモデルを,構造に基づく生体分子特性予測に関連する幅広い教師付き学習問題に拡張できると考えている。
論文 参考訳（メタデータ） (2022-12-23T16:14:53Z) - HelixFold-Single: MSA-free Protein Structure Prediction by Using Protein
Language Model as an Alternative [61.984700682903096]
HelixFold-Singleは、大規模なタンパク質言語モデルとAlphaFold2の優れた幾何学的学習能力を組み合わせるために提案されている。
提案手法は,数千万の一次配列を持つ大規模タンパク質言語モデルを事前学習する。
我々は、一次系列のみから原子の3次元座標を予測するために、エンドツーエンドの微分可能なモデルを得る。
論文 参考訳（メタデータ） (2022-07-28T07:30:33Z) - 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) - EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based
Models [53.17320541056843]
本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。
EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
論文 参考訳（メタデータ） (2021-05-11T03:40:29Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Sequence-guided protein structure determination using graph
convolutional and recurrent networks [0.0]
単一粒子、低温電子顕微鏡(cryo-EM)実験は、現在、大きなタンパク質の高分解能データを日常的に生成している。
この種のタスクの既存のプロトコルは、しばしば人間の介入に頼り、アウトプットを生成するのに数時間から何日もかかることがある。
ここでは、完全に自動化された、テンプレートなしのモデル構築アプローチを提案する。
論文 参考訳（メタデータ） (2020-07-14T06:24:07Z)
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。