論文の概要: Exploiting Hierarchical Interactions for Protein Surface Learning

• arxiv url: http://arxiv.org/abs/2401.10144v1
• Date: Wed, 17 Jan 2024 14:10:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-19 15:47:57.748853
• Title: Exploiting Hierarchical Interactions for Protein Surface Learning
• Title（参考訳）: タンパク質表面学習のための階層的相互作用の爆発
• Authors: Yiqun Lin, Liang Pan, Yi Li, Ziwei Liu, and Xiaomeng Li
• Abstract要約: 本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。 本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。 提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
• 参考スコア（独自算出の注目度）: 52.10066114039307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting interactions between proteins is one of the most important yet challenging problems in structural bioinformatics. Intrinsically, potential function sites in protein surfaces are determined by both geometric and chemical features. However, existing works only consider handcrafted or individually learned chemical features from the atom type and extract geometric features independently. Here, we identify two key properties of effective protein surface learning: 1) relationship among atoms: atoms are linked with each other by covalent bonds to form biomolecules instead of appearing alone, leading to the significance of modeling the relationship among atoms in chemical feature learning. 2) hierarchical feature interaction: the neighboring residue effect validates the significance of hierarchical feature interaction among atoms and between surface points and atoms (or residues). In this paper, we present a principled framework based on deep learning techniques, namely Hierarchical Chemical and Geometric Feature Interaction Network (HCGNet), for protein surface analysis by bridging chemical and geometric features with hierarchical interactions. Extensive experiments demonstrate that our method outperforms the prior state-of-the-art method by 2.3% in site prediction task and 3.2% in interaction matching task, respectively. Our code is available at https://github.com/xmed-lab/HCGNet.
• Abstract（参考訳）: タンパク質間の相互作用を予測することは、構造生物情報学において最も重要で難しい問題の一つである。 本質的には、タンパク質表面のポテンシャル関数部位は幾何学的特徴と化学的特徴の両方によって決定される。 しかし、現存する研究は、原子型から手作りまたは個別に学んだ化学的特徴のみを考慮し、幾何学的特徴を独立して抽出している。 ここでは、有効タンパク質表面学習の2つの重要な性質を同定する。 1) 原子間の関係: 原子は共有結合によって結合し、単体ではなく生体分子を形成するため、化学的特徴学習において原子間の関係をモデル化することが重要である。 2) 階層的特徴相互作用: 隣り合う残基効果は、原子間および表面点と原子(または残基)間の階層的特徴相互作用の重要性を検証する。 本稿では,階層的相互作用を伴う化学・幾何学的特徴の橋渡しによるタンパク質表面分析のための,階層的化学・幾何学的特徴相互作用ネットワーク(hcgnet)という,ディープラーニング技術に基づく原理的枠組みを提案する。 総合的な実験により,提案手法は,現場予測タスクで2.3%,対話マッチングタスクで3.2%,先行技術で2.3%向上した。 私たちのコードはhttps://github.com/xmed-lab/HCGNetで利用可能です。

関連論文リスト

• Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
  グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。 本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。 提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-11T10:03:10Z)
• C3Net: interatomic potential neural network for prediction of physicochemical properties in heterogenous systems [0.0]
  分子コンテキストにおける原子型埋め込みのためのディープニューラルネットワークアーキテクチャを提案する。 この構造は不均一系の物理化学的性質を予測するために応用される。
  論文  参考訳（メタデータ） (2023-09-27T00:51:24Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction [49.674494450107005]
  標的タンパク質の結合部位の予測は、薬物発見の基本的な役割を担っている。 既存のディープラーニング手法の多くは、タンパク質を原子をボクセルに空間的にクラスタリングすることで3D画像とみなしている。 本研究では,結合サイト予測のためのE3-equivariant Graph Neural Network(GNN)であるEquiPocketを提案する。
  論文  参考訳（メタデータ） (2023-02-23T17:18:26Z)
• Predicting Molecule-Target Interaction by Learning Biomedical Network and Molecule Representations [10.128856077021625]
  本稿では,生物医学的ネットワークトポロジと分子構造・化学情報の両方を表現として学習し,与えられた分子と標的対の潜在的な相互作用を予測する,擬似システマグラフニューラルネットワーク手法 MTINet+ を提案する。 異なる分子標的相互作用タスクの実験では、MTINet+は最先端のベースラインよりも著しく優れていた。
  論文  参考訳（メタデータ） (2023-02-02T10:00:46Z)
• GEM-2: Next Generation Molecular Property Prediction Network with Many-body and Full-range Interaction Modeling [24.94616336296936]
  GEM-2は分子のシュリンガー方程式を解く新しい方法である。 それは分子の長距離と多体相互作用の両方を考慮する。
  論文  参考訳（メタデータ） (2022-08-11T15:12:25Z)
• Multi-Scale Representation Learning on Proteins [78.31410227443102]
  本稿では,タンパク質HoloProtのマルチスケールグラフ構築について紹介する。 表面はタンパク質の粗い詳細を捉え、配列は一次成分であり、構造はより微細な詳細を捉えている。 グラフエンコーダは、各レベルが下のレベル(s)からそのレベルでのグラフとエンコーディングを統合することで、マルチスケール表現を学習する。
  論文  参考訳（メタデータ） (2022-04-04T08:29:17Z)
• Message Passing Networks for Molecules with Tetrahedral Chirality [8.391459650489123]
  四面体キラリティを持つ分子の性質を学習するために、メッセージパッシングニューラルネットワークのための2つのカスタムアグリゲーション関数を開発した。 その結果、ベースラインの総和アグリゲータよりも微妙な改善が見られ、さらなるアーキテクチャ開発の機会が浮かび上がっている。
  論文  参考訳（メタデータ） (2020-11-24T03:03:09Z)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)

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。