論文の概要: Multi-level Interaction Modeling for Protein Mutational Effect Prediction

• arxiv url: http://arxiv.org/abs/2405.17802v1
• Date: Tue, 28 May 2024 03:53:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 22:22:24.980491
• Title: Multi-level Interaction Modeling for Protein Mutational Effect Prediction
• Title（参考訳）: タンパク質変異効果予測のための多レベル相互作用モデリング
• Authors: Yuanle Mo, Xin Hong, Bowen Gao, Yinjun Jia, Yanyan Lan,
• Abstract要約: 本稿では, 自己教師型マルチレベル事前学習フレームワークProMIMを提案する。 ProMIMは標準ベンチマークのベースライン、特に背骨コンフォメーションに大きな変化が生じる可能性のある突然変異において、すべてのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 14.08641743781232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein-protein interactions are central mediators in many biological processes. Accurately predicting the effects of mutations on interactions is crucial for guiding the modulation of these interactions, thereby playing a significant role in therapeutic development and drug discovery. Mutations generally affect interactions hierarchically across three levels: mutated residues exhibit different sidechain conformations, which lead to changes in the backbone conformation, eventually affecting the binding affinity between proteins. However, existing methods typically focus only on sidechain-level interaction modeling, resulting in suboptimal predictions. In this work, we propose a self-supervised multi-level pre-training framework, ProMIM, to fully capture all three levels of interactions with well-designed pretraining objectives. Experiments show ProMIM outperforms all the baselines on the standard benchmark, especially on mutations where significant changes in backbone conformations may occur. In addition, leading results from zero-shot evaluations for SARS-CoV-2 mutational effect prediction and antibody optimization underscore the potential of ProMIM as a powerful next-generation tool for developing novel therapeutic approaches and new drugs.
• Abstract（参考訳）: タンパク質とタンパク質の相互作用は多くの生物学的過程において中心的なメディエーターである。 変異が相互作用に与える影響を正確に予測することは、これらの相互作用の調節を導くのに不可欠である。 変異残基は異なる側鎖配座を示し、背骨配座が変化し、最終的にタンパク質間の結合親和性に影響を与える。 しかし、既存の手法は一般的にサイドチェーンレベルの相互作用モデリングにのみ焦点をあてており、結果として準最適予測をもたらす。 本研究では, 自己教師型マルチレベル事前学習フレームワークProMIMを提案する。 実験では、ProMIMは標準ベンチマークのすべてのベースライン、特にバックボーンのコンフォメーションに大きな変化が生じる可能性のある突然変異に対して、優れたパフォーマンスを示す。 さらに、SARS-CoV-2変異効果予測および抗体最適化のためのゼロショット評価の結果は、新しい治療法や新薬を開発するための強力な次世代ツールとしてのProMIMの可能性を示している。

関連論文リスト

• HERMES: Holographic Equivariant neuRal network model for Mutational Effect and Stability prediction [0.0]
  HERMESは、突然変異効果と安定性予測のための3次元回転同変構造に基づくニューラルネットワークモデルである。 本稿では,HERMESモデルの組を,異なる戦略で事前学習し,変異の安定性効果を予測するために微調整する。
  論文  参考訳（メタデータ） (2024-07-09T09:31:05Z)
• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• 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 [14.983309106361899]
  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)
• 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)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Prediction [7.860159889216291]
  既存のメソッドは、見えないデータセットでテストすると、パフォーマンスが大幅に低下します。 本稿では,タンパク質間相互作用予測のためのグラフニューラルネットワーク(GNN-PPI)を提案する。
  論文  参考訳（メタデータ） (2021-05-14T08:42:55Z)

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。