論文の概要: De novo protein design using geometric vector field networks

• arxiv url: http://arxiv.org/abs/2310.11802v1
• Date: Wed, 18 Oct 2023 08:45:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 11:47:31.585769
• Title: De novo protein design using geometric vector field networks
• Title（参考訳）: 幾何ベクトル場ネットワークを用いたデノボタンパク質の設計
• Authors: Weian Mao, Muzhi Zhu, Zheng Sun, Shuaike Shen, Lin Yuanbo Wu, Hao Chen, Chunhua Shen
• Abstract要約: 本稿では,フレームアンコールされた仮想原子の座標間の学習可能なベクトル計算を可能にするベクトル場ネットワーク(Vector Field Network, VFN)を提案する。 VFNは、実際の原子をモデリングのための仮想原子として扱うことができるため、フレームと原子の両方のモデリングにおいて優れている。 フォールディング逆(フレームと原子のモデリング)において、VFNは以前のSoTAモデルであるPiFoldよりもシーケンス回復率が高い。
• 参考スコア（独自算出の注目度）: 44.15049173207667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Innovations like protein diffusion have enabled significant progress in de novo protein design, which is a vital topic in life science. These methods typically depend on protein structure encoders to model residue backbone frames, where atoms do not exist. Most prior encoders rely on atom-wise features, such as angles and distances between atoms, which are not available in this context. Thus far, only several simple encoders, such as IPA, have been proposed for this scenario, exposing the frame modeling as a bottleneck. In this work, we proffer the Vector Field Network (VFN), which enables network layers to perform learnable vector computations between coordinates of frame-anchored virtual atoms, thus achieving a higher capability for modeling frames. The vector computation operates in a manner similar to a linear layer, with each input channel receiving 3D virtual atom coordinates instead of scalar values. The multiple feature vectors output by the vector computation are then used to update the residue representations and virtual atom coordinates via attention aggregation. Remarkably, VFN also excels in modeling both frames and atoms, as the real atoms can be treated as the virtual atoms for modeling, positioning VFN as a potential universal encoder. In protein diffusion (frame modeling), VFN exhibits an impressive performance advantage over IPA, excelling in terms of both designability (67.04% vs. 53.58%) and diversity (66.54% vs. 51.98%). In inverse folding (frame and atom modeling), VFN outperforms the previous SoTA model, PiFold (54.7% vs. 51.66%), on sequence recovery rate. We also propose a method of equipping VFN with the ESM model, which significantly surpasses the previous ESM-based SoTA (62.67% vs. 55.65%), LM-Design, by a substantial margin.
• Abstract（参考訳）: タンパク質拡散のようなイノベーションは、生命科学において重要なトピックであるde novoタンパク質の設計において重要な進歩をもたらした。 これらの方法は通常、原子が存在しない残基のバックボーンフレームをモデル化するためのタンパク質構造エンコーダに依存する。 ほとんどの先行エンコーダは、この文脈では利用できない原子間の角度や距離など、原子的な特徴に依存している。 これまでのところ、ipaのような単純なエンコーダのみが提案されており、フレームモデリングをボトルネックとして公開している。 本研究では,ベクトル場ネットワーク(Vector Field Network, VFN)を用いて,フレームアンコールされた仮想原子の座標間の学習可能なベクトル計算を実現し,フレームのモデリング能力の向上を実現する。 ベクトル計算は線形層と同様に動作し、各入力チャネルはスカラー値の代わりに3次元仮想原子座標を受信する。 ベクトル計算によって出力される多重特徴ベクトルは、アテンションアグリゲーションを介して残余表現と仮想原子座標を更新するために使用される。 VFNはまた、実際の原子をモデリングのための仮想原子として扱うことができ、VFNを潜在的普遍エンコーダとして位置づけることができるため、フレームと原子の両方のモデリングに優れている。 タンパク質の拡散(フレームモデリング)において、VFNはIPAよりも優れた性能を示し、設計可能性(67.04%対53.58%)と多様性(66.54%対51.98%)の両方において優れている。 逆折り畳み(フレームと原子のモデリング)では、VFNは以前のSoTAモデルであるPiFold(54.7%対51.66%)よりもシーケンス回復率が高い。 また,従来のESMベースのSoTA (62.67% vs. 55.65%) をかなり上回り,VFNをESMモデルに装備する方法を提案する。

関連論文リスト

• HAFormer: Unleashing the Power of Hierarchy-Aware Features for Lightweight Semantic Segmentation [11.334990474402915]
  本稿では,CNNの階層的特徴抽出能力とTransformerのグローバル依存性モデリング機能を組み合わせたモデルであるHAFormerを紹介する。 HAFormerは計算オーバーヘッドを最小限に抑え、コンパクトなモデルサイズで高性能を実現する。
  論文  参考訳（メタデータ） (2024-07-10T07:53:24Z)
• VFIMamba: Video Frame Interpolation with State Space Models [22.862119532060856]
  フレーム間モデリングはビデオフレーム(VFI)の中間フレーム生成において重要である S6(Selective State Space Models)が登場し、ロングシーケンスモデリングに特化している。 本稿では,S6モデルを用いたフレーム間モデリングのための新しいフレーム手法であるVFIMambaを提案する。
  論文  参考訳（メタデータ） (2024-07-02T14:48:18Z)
• 3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction [9.67574543046801]
  標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。 上記の課題を解決するために,3次元同変拡散モデルを開発した。 我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
  論文  参考訳（メタデータ） (2023-03-06T23:01:43Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
  Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。 様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-22T03:45:29Z)
• Uniformer: Unified Transformer for Efficient Spatiotemporal Representation Learning [68.55487598401788]
  この研究の最近の進歩は、主に3D畳み込みニューラルネットワークと視覚変換器によって推進されている。 本稿では3次元畳み込み自己注意の利点を簡潔なトランスフォーマー形式にシームレスに統合する新しいUnified TransFormer(UniFormer)を提案する。 我々は、Kineetics-400、Kineetics-600、Something V1&V2といった人気ビデオベンチマークで広範な実験を行っている。 我々の UniFormer は Kinetics-400/Kinetics-600 で 8/84.8% のトップ-1 の精度を実現している。
  論文  参考訳（メタデータ） (2022-01-12T20:02:32Z)
• Container: Context Aggregation Network [83.12004501984043]
  最近の発見は、従来の畳み込みやトランスフォーマーコンポーネントを使わずに、シンプルなベースのソリューションが効果的な視覚表現を生成できることを示している。 マルチヘッドコンテキストアグリゲーションのための汎用ビルディングブロックCONText Ion NERtwokを提案する。 より大規模な入力画像解像度に依存する下流タスクにはスケールしないTransformerベースの手法とは対照的に、当社の効率的なネットワークであるModellightは、オブジェクト検出やインスタンスセグメンテーションネットワークに利用することができる。
  論文  参考訳（メタデータ） (2021-06-02T18:09:11Z)
• AtomAI: A Deep Learning Framework for Analysis of Image and Spectroscopy Data in (Scanning) Transmission Electron Microscopy and Beyond [0.0]
  AtomAIは、インストゥルメント固有のPythonライブラリ、ディープラーニング、シミュレーションツールを単一のエコシステムにブリッジするオープンソースソフトウェアパッケージです。 AtomAIは、原子とメソスコピックの画像セグメンテーションにディープ畳み込みニューラルネットワークを直接適用することができる。 AtomAIは、im2specと spec2imタイプのエンコーダ-デコーダモデルを通じて構造-プロパティ関係をマッピングするユーティリティを提供する。
  論文  参考訳（メタデータ） (2021-05-16T17:44:59Z)
• NVAE: A Deep Hierarchical Variational Autoencoder [102.29977384039805]
  本稿では,深度ワイド分離可能な畳み込みとバッチ正規化を用いた画像生成のための階層型VAEを提案する。 NVAEは非自己回帰的確率ベースモデルにおいて最先端の結果が得られることを示す。 我々の知る限りでは、NVAEは256$times $256ピクセルの自然画像に適用された最初のVAEである。
  論文  参考訳（メタデータ） (2020-07-08T04:56:56Z)

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。