論文の概要: VN-EGNN: E(3)-Equivariant Graph Neural Networks with Virtual Nodes Enhance Protein Binding Site Identification
- arxiv url: http://arxiv.org/abs/2404.07194v1
- Date: Wed, 10 Apr 2024 17:50:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 14:01:43.069341
- Title: VN-EGNN: E(3)-Equivariant Graph Neural Networks with Virtual Nodes Enhance Protein Binding Site Identification
- Title（参考訳）: VN-EGNN: 仮想ノードを持つ等価グラフニューラルネットワークによるタンパク質結合部位同定
- Authors: Florian Sestak, Lisa Schneckenreiter, Johannes Brandstetter, Sepp Hochreiter, Andreas Mayr, Günter Klambauer,
- Abstract要約: 仮想ノードの追加と拡張メッセージパッシング方式の適用により,E(n)-同変グラフニューラルネットワーク(EGNN)を拡張した。
提案手法は, COACH420, HOLO4K, PDBbind 2020 上の結合部位中心の位置決めにおける新しい最先端の手法である。
- 参考スコア（独自算出の注目度）: 16.343205040990075
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Being able to identify regions within or around proteins, to which ligands can potentially bind, is an essential step to develop new drugs. Binding site identification methods can now profit from the availability of large amounts of 3D structures in protein structure databases or from AlphaFold predictions. Current binding site identification methods heavily rely on graph neural networks (GNNs), usually designed to output E(3)-equivariant predictions. Such methods turned out to be very beneficial for physics-related tasks like binding energy or motion trajectory prediction. However, the performance of GNNs at binding site identification is still limited potentially due to the lack of dedicated nodes that model hidden geometric entities, such as binding pockets. In this work, we extend E(n)-Equivariant Graph Neural Networks (EGNNs) by adding virtual nodes and applying an extended message passing scheme. The virtual nodes in these graphs are dedicated quantities to learn representations of binding sites, which leads to improved predictive performance. In our experiments, we show that our proposed method VN-EGNN sets a new state-of-the-art at locating binding site centers on COACH420, HOLO4K and PDBbind2020.
- Abstract（参考訳）: リガンドが結合する可能性のあるタンパク質内または周囲の領域を特定できることは、新しい薬物を開発するための重要なステップである。
結合部位同定法は、タンパク質構造データベースやAlphaFold予測から大量の3D構造が利用可能になったことで利益を得ることができる。
現在の結合サイト同定法はグラフニューラルネットワーク(GNN)に大きく依存している。
このような手法は、結合エネルギーや運動軌道予測といった物理学的なタスクに非常に有用であることが判明した。
しかしながら、バインディングサイト識別におけるGNNの性能は、バインディングポケットのような隠れた幾何学的エンティティをモデル化する専用のノードが存在しないため、潜在的に制限されている。
本研究では,仮想ノードの追加と拡張メッセージパッシング方式の適用により,E(n)-同変グラフニューラルネットワーク(EGNN)を拡張した。
これらのグラフの仮想ノードは、結合サイトの表現を学ぶための専用量であり、予測性能が向上する。
本実験では,提案手法を用いて,COACH420,HOLO4K,PDBbind2020上の結合部位中心の位置を求める手法を提案する。
関連論文リスト
- Label Deconvolution for Node Representation Learning on Large-scale
Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。
実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - Neighborhood Convolutional Network: A New Paradigm of Graph Neural
Networks for Node Classification [12.062421384484812]
グラフ畳み込みネットワーク(GCN)は、各畳み込み層における近傍の集約と特徴変換を分離する。
本稿では,周辺畳み込みネットワーク(NCN)と呼ばれるGCNの新しいパラダイムを提案する。
このようにして、モデルは、近隣情報を集約するための分離GCNの利点を継承すると同時に、より強力な特徴学習モジュールを開発することができる。
論文 参考訳（メタデータ） (2022-11-15T02:02:51Z) - Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。
我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。
3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2022-07-22T02:06:53Z) - Graph Neural Networks with Learnable Structural and Positional
Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。
ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。
両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文 参考訳（メタデータ） (2021-10-15T05:59:15Z) - Integrating Transductive And Inductive Embeddings Improves Link
Prediction Accuracy [24.306445780189005]
帰納的グラフ埋め込みモデル、例えば、グラフニューラルネットワーク(GNN)は、オンラインソーシャルネットワークにおけるリンク予測(LP)において、ますます正確になっている。
多様なGNN変種に対して,Node2Vecから得られたノード表現ベクトルが,GNNの高品質な入力機能として機能することを実証した。
論文 参考訳（メタデータ） (2021-08-23T12:24:20Z) - Position-Sensing Graph Neural Networks: Proactively Learning Nodes
Relative Positions [26.926733376090052]
既存のグラフニューラルネットワーク(GNN)は、メッセージパッシングとアグリゲーションのフレームワークを使用してノードの埋め込みを学習する。
本稿では,位置検出型グラフニューラルネットワーク(PSGNN)を提案する。
PSGNNs on average boost AUC more than 14% for pairwise node classification and 18% for link prediction。
論文 参考訳（メタデータ） (2021-05-24T15:30:30Z) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z) - Self-supervised edge features for improved Graph Neural Network training [8.980876474818153]
我々は、自己教師付き学習と教師なし学習の組み合わせにより、任意のドメインに適用可能な新しいエッジ機能を作成するためのフレームワークを提案する。
本研究は, 単細胞RNAシークエンシングデータ, テキチンインビトロSARS-CoV-2感染, ヒトCOVID-19患者の3つの生物学的データセットについて検証した。
論文 参考訳（メタデータ） (2020-06-23T20:18:22Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
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。