論文の概要: Efficiently Predicting Mutational Effect on Homologous Proteins by Evolution Encoding

• arxiv url: http://arxiv.org/abs/2402.13418v2
• Date: Tue, 25 Jun 2024 08:26:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 20:19:03.161759
• Title: Efficiently Predicting Mutational Effect on Homologous Proteins by Evolution Encoding
• Title（参考訳）: 進化的エンコーディングによるホモログタンパク質の突然変異効果の効率的予測
• Authors: Zhiqiang Zhong, Davide Mottin,
• Abstract要約: EvolMPNNは進化を意識したタンパク質の埋め込みを学習するための効率的なモデルである。 我々のモデルは最先端の手法よりも最大6.4%向上し,36倍の高速化を実現している。
• 参考スコア（独自算出の注目度）: 7.067145619709089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting protein properties is paramount for biological and medical advancements. Current protein engineering mutates on a typical protein, called the wild-type, to construct a family of homologous proteins and study their properties. Yet, existing methods easily neglect subtle mutations, failing to capture the effect on the protein properties. To this end, we propose EvolMPNN, Evolution-aware Message Passing Neural Network, an efficient model to learn evolution-aware protein embeddings. EvolMPNN samples sets of anchor proteins, computes evolutionary information by means of residues and employs a differentiable evolution-aware aggregation scheme over these sampled anchors. This way, EvolMPNN can efficiently utilise a novel message-passing method to capture the mutation effect on proteins with respect to the anchor proteins. Afterwards, the aggregated evolution-aware embeddings are integrated with sequence embeddings to generate final comprehensive protein embeddings. Our model shows up to 6.4% better than state-of-the-art methods and attains 36X inference speedup in comparison with large pre-trained models. Code and models are available at https://github.com/zhiqiangzhongddu/EvolMPNN.
• Abstract（参考訳）: タンパク質の性質を予測することは、生物学的および医学的な進歩にとって最重要である。 現在のタンパク質工学は、野生型と呼ばれる典型的なタンパク質を変異させ、ホモロジータンパク質のファミリーを構築し、それらの性質を研究する。 しかし、既存の方法は微妙な突然変異を軽視しやすく、タンパク質の性質への影響を捉えられなかった。 この目的のために,進化を意識したタンパク質の埋め込みを学習する効率的なモデルであるEvolMPNN, Evolution-aware Message Passing Neural Networkを提案する。 EvolMPNNはアンカータンパク質の集合をサンプリングし、残基を用いて進化情報を計算し、これらのアンカーに対して異なる進化を意識したアグリゲーションスキームを用いる。 このようにして、EvolMPNNは、アンカータンパク質に関するタンパク質の突然変異効果を捉えるために、新しいメッセージパッシング法を効率的に利用することができる。 その後、集約された進化を意識した埋め込みを配列埋め込みと統合し、最終包括的タンパク質埋め込みを生成する。 我々のモデルは最先端の手法よりも最大6.4%向上し、大きな事前学習モデルと比較して36倍の推論速度が得られる。 コードとモデルはhttps://github.com/zhiqiangzhongddu/EvolMPNN.comで公開されている。

関連論文リスト

• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Boosting Protein Language Models with Negative Sample Mining [20.721167029530168]
  本稿では,タンパク質表現学習分野における大規模言語モデル向上のための先駆的手法を提案する。 私たちの主な貢献は、共進化の知識への過度な信頼を関連付けるための洗練プロセスにあります。 本手法は,この新たなアプローチを活かして,注目スコア空間内でのトランスフォーマーベースモデルのトレーニングを支援する。
  論文  参考訳（メタデータ） (2024-05-28T07:24:20Z)
• 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)
• 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)
• Retrieved Sequence Augmentation for Protein Representation Learning [40.13920287967866]
  本稿では,タンパク質表現学習のための検索シーケンス拡張について,アライメントや前処理を伴わずに導入する。 本モデルでは,新しいタンパク質ドメインに移行し,デノボタンパク質の予測においてMSAトランスフォーマーより優れていることを示す。 我々の研究はタンパク質の予測における大きなギャップを埋め、タンパク質配列を理解するのに必要なドメイン知識の解読に一歩近づいた。
  論文  参考訳（メタデータ） (2023-02-24T10:31:45Z)
• SESNet: sequence-structure feature-integrated deep learning method for data-efficient protein engineering [6.216757583450049]
  タンパク質変異体の適合度を予測するための教師付きディープラーニングモデルであるSESNetを開発した。 SESNetは,シーケンスと関数の関係を予測するための最先端モデルよりも優れていることを示す。 我々のモデルは、タンパク質変異体の適合性の予測において、特に高次変異体に対して驚くほど高い精度を達成することができる。
  論文  参考訳（メタデータ） (2022-12-29T01:49:52Z)
• Plug & Play Directed Evolution of Proteins with Gradient-based Discrete MCMC [1.0499611180329804]
  機械学習ベースのタンパク質工学の長年の目標は、新しい突然変異の発見を加速することである。 本稿では,シリコにおけるタンパク質の進化のためのサンプリングフレームワークについて紹介する。 これらのモデルを構成することで、未知の突然変異を評価し、機能的タンパク質を含む可能性のある配列空間の領域を探索する能力を向上させることを目指している。
  論文  参考訳（メタデータ） (2022-12-20T00:26:23Z)
• 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)
• Using Genetic Programming to Predict and Optimize Protein Function [65.25258357832584]
  我々は,進化的手法に基づく遺伝的プログラミングツールPOETを提案し,方向性進化におけるスクリーニングと変異原性を高める。 概念実証として, 化学交換飽和移動機構によって検出されたMRIコントラストを生成するペプチドを用いる。 以上の結果から,POETのような計算モデリングツールは,従来よりも400%優れた機能性を持つペプチドを見つけるのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T18:08:08Z)

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。