Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning for Modelling Protein Complexes

論文の概要: Deep Reinforcement Learning for Modelling Protein Complexes

arxiv url: http://arxiv.org/abs/2405.02299v2
Date: Tue, 7 May 2024 02:00:58 GMT
ステータス: 処理完了
システム内更新日: 2024-05-08 18:34:09.636465
Title: Deep Reinforcement Learning for Modelling Protein Complexes
Title（参考訳）: タンパク質複合体モデリングのための深層強化学習
Authors: Ziqi Gao, Tao Feng, Jiaxuan You, Chenyi Zi, Yan Zhou, Chen Zhang, Jia Li,
Abstract要約: 非環状無向連結グラフは多鎖タンパク質複合体の構造を予測するのに有用であることを示す。 GAPNは、ドメイン固有の報酬と、ポリシー勾配による敵の損失を生かした、ジェネレーティブ・アドバイサル・ポリシー・ネットワークである。
参考スコア（独自算出の注目度）: 29.64786472108047
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AlphaFold can be used for both single-chain and multi-chain protein structure prediction, while the latter becomes extremely challenging as the number of chains increases. In this work, by taking each chain as a node and assembly actions as edges, we show that an acyclic undirected connected graph can be used to predict the structure of multi-chain protein complexes (a.k.a., protein complex modelling, PCM). However, there are still two challenges: 1) The huge combinatorial optimization space of $N^{N-2}$ ($N$ is the number of chains) for the PCM problem can easily lead to high computational cost. 2) The scales of protein complexes exhibit distribution shift due to variance in chain numbers, which calls for the generalization in modelling complexes of various scales. To address these challenges, we propose GAPN, a Generative Adversarial Policy Network powered by domain-specific rewards and adversarial loss through policy gradient for automatic PCM prediction. Specifically, GAPN learns to efficiently search through the immense assembly space and optimize the direct docking reward through policy gradient. Importantly, we design an adversarial reward function to enhance the receptive field of our model. In this way, GAPN will simultaneously focus on a specific batch of complexes and the global assembly rules learned from complexes with varied chain numbers. Empirically, we have achieved both significant accuracy (measured by RMSD and TM-Score) and efficiency improvements compared to leading PCM softwares.
Abstract（参考訳）: AlphaFoldは単鎖と多鎖のタンパク質構造予測の両方に使用できるが、後者は鎖の数が増えるにつれて非常に困難になる。本研究では、各鎖をノードとして、組立作用をエッジとして、多鎖タンパク質複合体(つまりタンパク質複合体モデリング、PCM)の構造を予測するために非環状無向連結グラフを使用できることを示す。しかし、まだ2つの課題があります。 1) PCM問題に対する$N^{N-2}$$(N$は鎖数)の巨大な組合せ最適化空間は、計算コストの増大につながる。 2) タンパク質複合体のスケールは鎖数のばらつきによる分布変化を示し, 様々なスケールのモデリング複合体の一般化を求める。これらの課題に対処するため、我々は、自動PCM予測のためのポリシー勾配を通して、ドメイン固有の報酬と敵の損失を生かしたジェネレーティブ・アドバイサル・ポリシー・ネットワークであるGAPNを提案する。具体的には、GAPNは巨大なアセンブリ空間を効率的に探索し、ポリシー勾配を通じて直接ドッキング報酬を最適化することを学ぶ。重要なことは、モデルの受容場を高めるために、敵の報酬関数を設計することである。このようにして、GAPNは特定の複合体のバッチと、様々な鎖数を持つ錯体から得られたグローバルアセンブリルールに同時にフォーカスする。実験により, RMSD と TM-Score で測定した精度と, PCM ソフトウェアと比較した場合の効率改善を両立した。

関連論文リスト

Unveiling Induction Heads: Provable Training Dynamics and Feature Learning in Transformers [54.20763128054692]
我々は,2層変換器が$n$-gramのマルコフ連鎖データ上でICLを実行するためにどのように訓練されているかを検討する。クロスエントロピー ICL 損失に対する勾配流が極限モデルに収束することを証明する。
論文参考訳（メタデータ） (2024-09-09T18:10:26Z)
Non-Iterative Disentangled Unitary Coupled-Cluster based on Lie-algebraic structure [0.0]
量子化学変分量子ソルバ(VQE)計算の実行には、固定されたユニタリ結合クラスター(UCC)アンス"アゼが魅力的である。固定および非整合型ユニタリカップリング・クラスタコンパクトアンサッツである$k$-NI-DUCCを導入する。
論文参考訳（メタデータ） (2024-08-26T14:19:53Z)
On noise in swap ASAP repeater chains: exact analytics, distributions and tight approximations [9.32782060570252]
損失は量子ネットワークにおける絡み合いの分布の主要なボトルネックの1つである。等間隔リピータの事例を解析的に検討する。最大25セグメントまでの忠実度の全モーメントについて、正確な解析公式を求める。
論文参考訳（メタデータ） (2024-04-10T16:24:51Z)
CORE: Common Random Reconstruction for Distributed Optimization with Provable Low Communication Complexity [110.50364486645852]
コミュニケーションの複雑さは、トレーニングをスピードアップし、マシン番号をスケールアップする上で、大きなボトルネックになっています。本稿では,機械間で送信される情報を圧縮するための共通Om REOmを提案する。
論文参考訳（メタデータ） (2023-09-23T08:45:27Z)
Target-aware Variational Auto-encoders for Ligand Generation with Multimodal Protein Representation Learning [2.01243755755303]
ターゲット認識型自動エンコーダであるTargetVAEを導入し、任意のタンパク質標的に対する高い結合親和性で生成する。これは、タンパク質の異なる表現を単一のモデルに統一する最初の試みであり、これは我々がタンパク質マルチモーダルネットワーク(PMN)と呼ぶ。
論文参考訳（メタデータ） (2023-08-02T12:08:17Z)
Towards Lightweight Cross-domain Sequential Recommendation via External Attention-enhanced Graph Convolution Network [7.1102362215550725]
クロスドメインシークエンシャルレコメンデーション(CSR)は、複数のドメインからのインタラクションをモデル化することで、重複したユーザの振る舞いパターンの進化を描いている。上記の課題,すなわちLEA-GCNを解決するために,軽量な外部注意強化GCNベースのフレームワークを導入する。フレームワークの構造をさらに緩和し、ユーザ固有のシーケンシャルパターンを集約するために、新しい二重チャネル外部注意(EA)コンポーネントを考案する。
論文参考訳（メタデータ） (2023-02-07T03:06:29Z)
Learnable Commutative Monoids for Graph Neural Networks [0.0]
グラフニューラルネットワーク(GNN)は集約関数の選択に非常に敏感である。繰り返しアグリゲータを備えたGNNは、最先端の置換不変アグリゲータと競合することを示す。本稿では,学習可能な,可換な,連想的なバイナリ演算子を構築するためのフレームワークを提案する。
論文参考訳（メタデータ） (2022-12-16T15:43:41Z)
Optimization-based Block Coordinate Gradient Coding for Mitigating Partial Stragglers in Distributed Learning [58.91954425047425]
本稿では,分散学習における部分トラグラーの緩和を目的とした,新たな勾配符号化方式を提案する。 L の符号パラメータを L に表わした勾配座標符号化方式を提案する。
論文参考訳（メタデータ） (2022-06-06T09:25:40Z)
Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文参考訳（メタデータ） (2022-04-18T21:45:13Z)
Permutation Compressors for Provably Faster Distributed Nonconvex Optimization [68.8204255655161]
本稿では,Gorbunov et al (2021) の MARINA 法が,理論的な通信複雑性の観点から最先端の手法とみなすことができることを示す。 MARINAの理論は、古典的な独立圧縮機設定を超えて、潜在的にエミュレートされた圧縮機の理論を支持するものである。
論文参考訳（メタデータ） (2021-10-07T09:38:15Z)
Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。コア最適化問題の実用的なパラメトリゼーションを提供する。
論文参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。