論文の概要: ContraNovo: A Contrastive Learning Approach to Enhance De Novo Peptide Sequencing

• arxiv url: http://arxiv.org/abs/2312.11584v1
• Date: Mon, 18 Dec 2023 12:49:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 18:23:46.409738
• Title: ContraNovo: A Contrastive Learning Approach to Enhance De Novo Peptide Sequencing
• Title（参考訳）: contranovo:de novoペプチドシークエンシング強化のためのコントラスト学習アプローチ
• Authors: Zhi Jin, Sheng Xu, Xiang Zhang, Tianze Ling, Nanqing Dong, Wanli Ouyang, Zhiqiang Gao, Cheng Chang, Siqi Sun
• Abstract要約: ContraNovoは、コントラスト学習を利用してスペクトルとペプチドの関係を抽出する先駆的アルゴリズムである。 ContraNovoは、現代最先端のソリューションを一貫して誇張している。
• 参考スコア（独自算出の注目度）: 70.12220342151113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: De novo peptide sequencing from mass spectrometry (MS) data is a critical task in proteomics research. Traditional de novo algorithms have encountered a bottleneck in accuracy due to the inherent complexity of proteomics data. While deep learning-based methods have shown progress, they reduce the problem to a translation task, potentially overlooking critical nuances between spectra and peptides. In our research, we present ContraNovo, a pioneering algorithm that leverages contrastive learning to extract the relationship between spectra and peptides and incorporates the mass information into peptide decoding, aiming to address these intricacies more efficiently. Through rigorous evaluations on two benchmark datasets, ContraNovo consistently outshines contemporary state-of-the-art solutions, underscoring its promising potential in enhancing de novo peptide sequencing. The source code is available at https://github.com/BEAM-Labs/ContraNovo.
• Abstract（参考訳）: 質量分析(MS)データからのデノボペプチドの塩基配列決定は、プロテオミクス研究において重要な課題である。 従来のde novoアルゴリズムは、プロテオミクスデータ固有の複雑さのために、精度のボトルネックに直面している。 深層学習に基づく手法は進歩しているものの、スペクトルとペプチド間の重要なニュアンスを見落とし、翻訳タスクに問題を還元する。 本研究では,コントラノボ(ContraNovo)という,コントラスト学習を利用してスペクトルとペプチドの関係を抽出し,質量情報をペプチドデコーディングに組み込む手法を提案する。 2つのベンチマークデータセットの厳密な評価を通じて、ContraNovoは一貫して現代の最先端のソリューションを誇示し、de novoペプチドシークエンシングの可能性を秘めている。 ソースコードはhttps://github.com/BEAM-Labs/ContraNovoで入手できる。

関連論文リスト

• NovoBench: Benchmarking Deep Learning-based De Novo Peptide Sequencing Methods in Proteomics [58.03989832372747]
  Emphde novoペプチドシークエンシングのための初となるNovoBenchベンチマークを報告する。 多様な質量スペクトルデータ、統合モデル、総合的な評価指標から構成される。 DeepNovo、PointNovo、Casanovo、InstaNovo、AdaNovo、$pi$-HelixNovoといった最近の手法が私たちのフレームワークに統合されています。
  論文  参考訳（メタデータ） (2024-06-16T08:23:21Z)
• AdaNovo: Adaptive \emph{De Novo} Peptide Sequencing with Conditional Mutual Information [46.23980841020632]
  本稿では,各アミノ酸/ペプチド間の条件付き相互情報(CMI)を計算する新しいフレームワークであるAdaNovoを提案する。 AdaNovoは翻訳後修飾(PTM)によるアミノ酸の同定に優れ、データノイズに対する堅牢性を示す。
  論文  参考訳（メタデータ） (2024-03-09T11:54:58Z)
• PepHarmony: A Multi-View Contrastive Learning Framework for Integrated Sequence and Structure-Based Peptide Encoding [21.126660909515607]
  本研究は、配列に基づくペプチド符号化タスクのための、新しいマルチビューコントラスト学習フレームワークであるPepHarmonyを紹介する。 タンパク質データバンク(PDB)とAlphaFoldデータベースから、幅広いペプチド配列と構造を含むデータセットを慎重に選択する。 実験データではペプハーモニーのペプチド配列と構造の間の複雑な関係を捉える能力が強調されている。
  論文  参考訳（メタデータ） (2024-01-21T01:16:53Z)
• DrugCLIP: Contrastive Protein-Molecule Representation Learning for Virtual Screening [16.31607535765497]
  DrugCLIPは、仮想スクリーニングのための新しい対照的な学習フレームワークである。 明示的な結合親和性スコアなしで、大量のペアデータから結合タンパク質ポケットと分子の表現を調整できる。 様々な仮想スクリーニングベンチマークにおいて、従来のドッキングや教師あり学習方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-10T07:08:35Z)
• Efficient Prediction of Peptide Self-assembly through Sequential and Graphical Encoding [57.89530563948755]
  この研究は、高度なディープラーニングモデルを用いたペプチドエンコーディングのベンチマーク分析を提供する。 等電点や水和自由エネルギーなど、幅広いペプチド関連予測のガイドとして機能する。
  論文  参考訳（メタデータ） (2023-07-17T00:43:33Z)
• S$^2$ME: Spatial-Spectral Mutual Teaching and Ensemble Learning for Scribble-supervised Polyp Segmentation [21.208071679259604]
  本研究では,空間スペクトルデュアルブランチ相互指導とエントロピー誘導擬似ラベルアンサンブル学習の枠組みを開発する。 我々は、アンサンブル学習の有効性を高めるために、信頼度の高い混合擬似ラベルを作成する。 疑似ラベルに存在する不確実性やノイズの有害な影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2023-06-01T08:47:58Z)
• HaLP: Hallucinating Latent Positives for Skeleton-based Self-Supervised Learning of Actions [69.14257241250046]
  ラベルなしの骨格に基づく行動認識のためのモデル学習のための新しいコントラスト学習手法を提案する。 私たちの重要な貢献は、単純なモジュールであるHalucinate Latent Positivesのコントラスト学習へのHalucinate HaLPです。 実験を通して、標準のコントラスト学習フレームワーク内でこれらの生成した正を使用すれば、一貫した改善がもたらされることを示す。
  論文  参考訳（メタデータ） (2023-04-01T21:09:43Z)
• NP-Match: When Neural Processes meet Semi-Supervised Learning [133.009621275051]
  半教師付き学習(SSL)は近年広く研究されており、ラベル付きデータへの依存を減らすためにラベル付きデータを活用する効果的な方法である。 本研究では,ニューラルネットワーク(NP)を半教師付き画像分類タスクに調整し,NP-Matchと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-07-03T15:24:31Z)

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。