論文の概要: PepHarmony: A Multi-View Contrastive Learning Framework for Integrated Sequence and Structure-Based Peptide Encoding

• arxiv url: http://arxiv.org/abs/2401.11360v1
• Date: Sun, 21 Jan 2024 01:16:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 16:56:15.529962
• Title: PepHarmony: A Multi-View Contrastive Learning Framework for Integrated Sequence and Structure-Based Peptide Encoding
• Title（参考訳）: PepHarmony: 統合シーケンスと構造に基づくペプチドエンコーディングのための多視点コントラスト学習フレームワーク
• Authors: Ruochi Zhang, Haoran Wu, Chang Liu, Huaping Li, Yuqian Wu, Kewei Li, Yifan Wang, Yifan Deng, Jiahui Chen, Fengfeng Zhou, Xin Gao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 21.126660909515607
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in protein language models have catalyzed significant progress in peptide sequence representation. Despite extensive exploration in this field, pre-trained models tailored for peptide-specific needs remain largely unaddressed due to the difficulty in capturing the complex and sometimes unstable structures of peptides. This study introduces a novel multi-view contrastive learning framework PepHarmony for the sequence-based peptide encoding task. PepHarmony innovatively combines both sequence- and structure-level information into a sequence-level encoding module through contrastive learning. We carefully select datasets from the Protein Data Bank (PDB) and AlphaFold database to encompass a broad spectrum of peptide sequences and structures. The experimental data highlights PepHarmony's exceptional capability in capturing the intricate relationship between peptide sequences and structures compared with the baseline and fine-tuned models. The robustness of our model is confirmed through extensive ablation studies, which emphasize the crucial roles of contrastive loss and strategic data sorting in enhancing predictive performance. The proposed PepHarmony framework serves as a notable contribution to peptide representations, and offers valuable insights for future applications in peptide drug discovery and peptide engineering. We have made all the source code utilized in this study publicly accessible via GitHub at https://github.com/zhangruochi/PepHarmony or http://www.healthinformaticslab.org/supp/.
• Abstract（参考訳）: タンパク質言語モデルの最近の進歩は、ペプチド配列の表現に大きな進歩をもたらした。 この分野での広範な探索にもかかわらず、ペプチド特有のニーズに合わせた事前訓練されたモデルは、ペプチドの複雑な構造や不安定な構造を捉えるのが難しいため、ほとんど役に立たないままである。 本研究では,配列に基づくペプチドエンコーディングタスクのための,新しい多視点コントラスト学習フレームワークPepHarmonyを紹介する。 pepharmonyは、コントラスト学習を通じて、シーケンスレベルおよび構造レベルの情報をシーケンスレベルのエンコーディングモジュールに革新的に結合する。 タンパク質データバンク(pdb)とアルファフォールドデータベースからデータセットを慎重に選択し、ペプチド配列と構造を包含する。 実験データでは、ペプハーモニーがペプチド配列と構造の間の複雑な関係をベースラインモデルと微調整モデルと比較する際、異常な能力を示した。 本モデルのロバスト性は広範なアブレーション研究によって確認され,予測性能向上におけるコントラスト損失と戦略データソートの重要な役割を強調する。 提案されたPepHarmonyフレームワークはペプチド表現への顕著な貢献であり、ペプチド薬物発見およびペプチド工学における将来の応用に有用な洞察を提供する。 この研究で使われているすべてのソースコードは、githubのhttps://github.com/zhangruochi/pepharmonyまたはhttp://www.healthinformaticslab.org/supp/で公開されている。

関連論文リスト

• M2oE: Multimodal Collaborative Expert Peptide Model [0.0]
  本稿では,M2oE多モード協調専門家ペプチドモデルを提案する。 従来の研究に基づいて、シーケンスと空間構造情報を統合し、エキスパートモデルとクロスアテンションメカニズムを用いることで、モデルの能力は均衡し、改善される。 実験結果から,M2oEモデルは複雑なタスク予測に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-11-20T09:52:52Z)
• MeToken: Uniform Micro-environment Token Boosts Post-Translational Modification Prediction [65.33218256339151]
  翻訳後修飾(PTM)はプロテオームの複雑さと機能を大幅に拡張する。 既存の計算手法は主に、配列依存的なモチーフの認識によって引き起こされる、PTM部位を予測するタンパク質配列に焦点を当てている。 本稿では,各酸のマイクロ環境をトークン化し,シーケンス情報と構造情報を統一された離散トークンに統合するMeTokenモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-04T07:14:28Z)
• 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)
• PPFlow: Target-aware Peptide Design with Torsional Flow Matching [52.567714059931646]
  ペプチド構造設計のためのねじれ角の内部構造をモデル化するために,textscPPFlowと呼ばれるターゲット認識型ペプチド設計手法を提案する。 さらに, PPBench2024というタンパク質-ペプチド結合データセットを構築した。
  論文  参考訳（メタデータ） (2024-03-05T13:26:42Z)
• PepGB: Facilitating peptide drug discovery via graph neural networks [36.744839520938825]
  ペプチド-タンパク質相互作用(PepPIs)を予測することにより、ペプチドの早期発見を容易にする深層学習フレームワークPepGBを提案する。 我々は、リード生成と最適化プロセスでよく見られる高度に不均衡なデータのモデリングのボトルネックに取り組むために、拡張バージョンの diPepGB を導出する。
  論文  参考訳（メタデータ） (2024-01-26T06:13:09Z)
• ContraNovo: A Contrastive Learning Approach to Enhance De Novo Peptide Sequencing [70.12220342151113]
  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。
  論文  参考訳（メタデータ） (2023-12-18T12:49:46Z)
• Co-modeling the Sequential and Graphical Routes for Peptide Representation Learning [67.66393016797181]
  本稿では,表現の相互情報を強化するためのペプチド共モデリング手法RepConを提案する。 RepConは、正のサンプルペア間の表現の一貫性を高め、負のペア間の表現を撃退することを学ぶ。 この結果から,コモデリング手法が独立モデルよりも優れていること,コモデリングフレームワーク下での他の手法よりもRepConの方が優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-10-04T16:58:25Z)
• 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)
• Interpretable Structured Learning with Sparse Gated Sequence Encoder for Protein-Protein Interaction Prediction [2.9488233765621295]
  アミノ酸配列から情報表現を学習することでタンパク質-タンパク質相互作用(PPI)を予測することは、生物学において難しいが重要な問題である。 我々は、シーケンスのみからPPIをモデル化し、予測するための新しいディープフレームワークを提案する。 本モデルでは,シーケンスからコンテキスト化およびシーケンシャル情報を活用することによってシーケンス表現を学習するための双方向ゲート再帰ユニットを組み込んだ。
  論文  参考訳（メタデータ） (2020-10-16T17:13:32Z)

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。