論文の概要: Effective Protein-Protein Interaction Exploration with PPIretrieval
- arxiv url: http://arxiv.org/abs/2402.03675v1
- Date: Tue, 6 Feb 2024 03:57:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 16:42:48.513566
- Title: Effective Protein-Protein Interaction Exploration with PPIretrieval
- Title(参考訳): PPIretrievalを用いたタンパク質とタンパク質の効果的な相互作用探索
- Authors: Chenqing Hua, Connor Coley, Guy Wolf, Doina Precup, Shuangjia Zheng
- Abstract要約: PPIretrievalはタンパク質とタンパク質の相互作用を探索する最初の深層学習モデルである。
PPIretrievalは、埋め込み空間における潜在的なPPIを探し、タンパク質表面の豊富な幾何学的および化学的情報を収集する。
- 参考スコア(独自算出の注目度): 46.07027715907749
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Protein-protein interactions (PPIs) are crucial in regulating numerous
cellular functions, including signal transduction, transportation, and immune
defense. As the accuracy of multi-chain protein complex structure prediction
improves, the challenge has shifted towards effectively navigating the vast
complex universe to identify potential PPIs. Herein, we propose PPIretrieval,
the first deep learning-based model for protein-protein interaction
exploration, which leverages existing PPI data to effectively search for
potential PPIs in an embedding space, capturing rich geometric and chemical
information of protein surfaces. When provided with an unseen query protein
with its associated binding site, PPIretrieval effectively identifies a
potential binding partner along with its corresponding binding site in an
embedding space, facilitating the formation of protein-protein complexes.
- Abstract(参考訳): 蛋白-タンパク質相互作用(ppis)は、シグナル伝達、輸送、免疫防御など多くの細胞機能を制御する上で重要である。
多鎖タンパク質複合体構造の予測精度が向上するにつれて、大きな複雑な宇宙を効率的にナビゲートして潜在的なppisを同定することが課題となっている。
本稿では,タンパク質-タンパク質相互作用探索のための最初の深層学習モデルであるPPIretrievalを提案する。
PPIretrievalは、その結合部位に未知のクエリタンパク質を付与すると、その結合部位とそれに対応する結合部位とを効果的に同定し、タンパク質-タンパク質複合体の形成を促進する。
関連論文リスト
- MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction
Prediction via Microenvironment-Aware Protein Embedding [82.31506767274841]
タンパク質-プロテイン相互作用(PPI)は、様々な生物学的過程において基本的であり、生命活動において重要な役割を果たしている。
MPAE-PPIは、十分に大きな「語彙」を介して、マイクロ環境を化学的に意味のある離散コードに符号化する
MPAE-PPIは、数百万のPPIでPPI予測にスケールでき、有効性と計算効率のトレードオフが優れている。
論文 参考訳(メタデータ) (2024-02-22T09:04:41Z) - PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for
Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。
既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。
CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-13T03:51:10Z) - 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) - Learning to design protein-protein interactions with enhanced
generalization [15.429259676165913]
PPIRefは3Dタンパク質-タンパク質相互作用の最大かつ非冗長なデータセットである。
PPIRefデータセットをプレトレーニングPPIformerに利用し,多種多様なタンパク質結合変異体を対象とするSE(3)-同変モデルを提案する。
我々はPPIフォーマを微調整し,タンパク質とタンパク質の相互作用に対する変異の影響を予測する。
論文 参考訳(メタデータ) (2023-10-27T22:22:44Z) - Improving Protein-peptide Interface Predictions in the Low Data Regime [0.0]
本稿では,バイモーダルトランスを用いたタンパク質-ペプチド相互作用の予測手法を提案する。
界面残基-残基相互作用の分布は界面残基-残基相互作用と重なり合うことを示す。
このデータ拡張により、PepBDBで利用可能な膨大な量のタンパク質のみのデータを活用して、ニューラルネットワークをトレーニングできます。
論文 参考訳(メタデータ) (2023-05-31T17:04:27Z) - State-specific protein-ligand complex structure prediction with a
multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。
我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文 参考訳(メタデータ) (2022-09-30T01:46:38Z) - 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) - Multimodal Pre-Training Model for Sequence-based Prediction of
Protein-Protein Interaction [7.022012579173686]
タンパク質モデルによる効果的な表現の学習は、タンパク質とタンパク質の相互作用において重要である。
PPIの事前学習モデルのほとんどは配列ベースであり、自然言語処理で使用される言語モデルをアミノ酸配列に導入している。
本稿では, 配列, 構造, 機能という3つのモーダル性を持つマルチモーダルタンパク質事前学習モデルを提案する。
論文 参考訳(メタデータ) (2021-12-09T10:21:52Z) - DIPS-Plus: The Enhanced Database of Interacting Protein Structures for
Interface Prediction [2.697420611471228]
DIPS-Plusはタンパク質界面の幾何学的深層学習のための42,112複合体の強化された機能豊富なデータセットである。
DIPSの以前のバージョンは、与えられたタンパク質複合体を構成する原子のカルテシアン座標とタイプのみを含む。
DIPS-Plusには、プロテクション指標、半球アミノ酸組成、および各アミノ酸に対する新しいプロファイル隠れマルコフモデル(HMM)ベースの配列機能を含む、新しい残基レベルの特徴が多数含まれている。
論文 参考訳(メタデータ) (2021-06-06T23:56:27Z)
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。