論文の概要: Predicting mutational effects on protein-protein binding via a
side-chain diffusion probabilistic model
- arxiv url: http://arxiv.org/abs/2310.19849v1
- Date: Mon, 30 Oct 2023 15:23:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 18:29:38.950720
- Title: Predicting mutational effects on protein-protein binding via a
side-chain diffusion probabilistic model
- Title(参考訳): 側鎖拡散確率モデルによるタンパク質結合に対する突然変異効果の予測
- Authors: Shiwei Liu, Tian Zhu, Milong Ren, Chungong Yu, Dongbo Bu, Haicang
Zhang
- Abstract要約: SidechainDiffは、未ラベルな実験タンパク質構造を利用する表現学習に基づくアプローチである。
SidechainDiffは、側鎖の拡散に基づく最初の生成モデルであり、タンパク質のバックボーン構造の生成に主に焦点をあてた以前の試みと区別している。
- 参考スコア(独自算出の注目度): 14.949807579474781
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many crucial biological processes rely on networks of protein-protein
interactions. Predicting the effect of amino acid mutations on protein-protein
binding is vital in protein engineering and therapeutic discovery. However, the
scarcity of annotated experimental data on binding energy poses a significant
challenge for developing computational approaches, particularly deep
learning-based methods. In this work, we propose SidechainDiff, a
representation learning-based approach that leverages unlabelled experimental
protein structures. SidechainDiff utilizes a Riemannian diffusion model to
learn the generative process of side-chain conformations and can also give the
structural context representations of mutations on the protein-protein
interface. Leveraging the learned representations, we achieve state-of-the-art
performance in predicting the mutational effects on protein-protein binding.
Furthermore, SidechainDiff is the first diffusion-based generative model for
side-chains, distinguishing it from prior efforts that have predominantly
focused on generating protein backbone structures.
- Abstract(参考訳): 多くの重要な生物学的プロセスはタンパク質とタンパク質の相互作用のネットワークに依存している。
アミノ酸変異がタンパク質-タンパク質結合に及ぼす影響を予測することは、タンパク質工学と治療の発見に不可欠である。
しかし、結合エネルギーに関する注釈付き実験データの不足は、特に深層学習に基づく計算手法を開発する上で大きな課題となっている。
そこで本研究では,未ラベルなタンパク質構造を利用した表現学習手法であるSidechainDiffを提案する。
サイドチェーンディフはリーマン拡散モデルを用いて側鎖構造の生成過程を学習し、タンパク質-タンパク質界面上の突然変異の構造的文脈表現を与える。
学習した表現を利用して、タンパク質とタンパク質の結合に対する突然変異の影響を予測する。
さらに、SidechainDiffは、側鎖の拡散に基づく最初の生成モデルであり、タンパク質のバックボーン構造の生成に主に焦点をあてた以前の取り組みと区別している。
関連論文リスト
- NaNa and MiGu: Semantic Data Augmentation Techniques to Enhance Protein Classification in Graph Neural Networks [60.48306899271866]
本稿では,背骨化学および側鎖生物物理情報をタンパク質分類タスクに組み込む新しい意味データ拡張手法を提案する。
具体的には, 分子生物学的, 二次構造, 化学結合, およびタンパク質のイオン特性を活用し, 分類作業を容易にする。
論文 参考訳(メタデータ) (2024-03-21T13:27:57Z) - Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。
本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
論文 参考訳(メタデータ) (2024-03-21T02:44:08Z) - EvolMPNN: Predicting Mutational Effect on Homologous Proteins by
Evolution Encoding [8.348896353632165]
本稿では進化を意識したメッセージパッシングニューラルネットワークであるEvolMPNNを提案し,進化を意識したタンパク質の埋め込みを学習する。
我々のモデルは最先端の手法よりも最大6.4%良い結果を示し、大きな事前学習モデルと比較して36倍の高速化が得られる。
論文 参考訳(メタデータ) (2024-02-20T23:06:21Z) - Efficiently Predicting Protein Stability Changes Upon Single-point
Mutation with Large Language Models [51.57843608615827]
タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。
タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
論文 参考訳(メタデータ) (2023-12-07T03:25:49Z) - Multi-level Protein Representation Learning for Blind Mutational Effect
Prediction [5.207307163958806]
本稿では,タンパク質構造解析のためのシーケンシャルおよび幾何学的アナライザをカスケードする,新しい事前学習フレームワークを提案する。
野生型タンパク質の自然選択をシミュレートすることにより、所望の形質に対する突然変異方向を誘導する。
提案手法は,多種多様な効果予測タスクに対して,パブリックデータベースと2つの新しいデータベースを用いて評価する。
論文 参考訳(メタデータ) (2023-06-08T03:00:50Z) - A Latent Diffusion Model for Protein Structure Generation [50.74232632854264]
本稿では,タンパク質モデリングの複雑さを低減できる潜在拡散モデルを提案する。
提案手法は, 高い設計性と効率性を有する新規なタンパク質のバックボーン構造を効果的に生成できることを示す。
論文 参考訳(メタデータ) (2023-05-06T19:10:19Z) - Pre-Training Protein Encoder via Siamese Sequence-Structure Diffusion
Trajectory Prediction [29.375830561817047]
タンパク質の自己教師付き事前学習法が近年注目され、ほとんどのアプローチはタンパク質配列または構造に焦点をあてている。
配列構造共分散モデルを用いて,タンパク質エンコーダを事前学習するためのDiffPreT手法を提案する。
我々は,シムズ拡散軌道予測(SiamDiff)と呼ばれる手法によりDiffPreTを強化し,タンパク質の異なるコンホメータ間の相関を捉える。
論文 参考訳(メタデータ) (2023-01-28T02:48:20Z) - Learning the shape of protein micro-environments with a holographic
convolutional neural network [0.0]
本稿では,タンパク質のホログラフィック畳み込みニューラルネットワーク(H-CNN)を紹介する。
H-CNNは、タンパク質構造におけるアミノ酸の嗜好をモデル化するための、物理的に動機付けられた機械学習アプローチである。
タンパク質複合体の安定性や結合を含むタンパク質機能に対する突然変異の影響を正確に予測する。
論文 参考訳(メタデータ) (2022-11-05T16:29:15Z) - 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) - Structure-aware Protein Self-supervised Learning [50.04673179816619]
本稿では,タンパク質の構造情報を取得するための構造認識型タンパク質自己教師学習法を提案する。
特に、タンパク質構造情報を保存するために、よく設計されたグラフニューラルネットワーク(GNN)モデルを事前訓練する。
タンパク質言語モデルにおける逐次情報と特別に設計されたGNNモデルにおける構造情報との関係を,新しい擬似二段階最適化手法を用いて同定する。
論文 参考訳(メタデータ) (2022-04-06T02:18:41Z)
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。