論文の概要: cryoSPHERE: Single-particle heterogeneous reconstruction from cryo EM
- arxiv url: http://arxiv.org/abs/2407.01574v2
- Date: Tue, 04 Mar 2025 06:16:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:09:22.236487
- Title: cryoSPHERE: Single-particle heterogeneous reconstruction from cryo EM
- Title（参考訳）: cryoSPHERE:Cryo EMからの単一粒子の不均一な再構成
- Authors: Gabriel Ducrocq, Lukas Grunewald, Sebastian Westenhoff, Fredrik Lindsten,
- Abstract要約: 単一粒子低温電子顕微鏡(cryo-EM)は、大きなタンパク質複合体の構造を決定する強力なツールである。
本稿では,タンパク質構造を入力として使用する深層学習手法であるCryoSPHEREを紹介する。
実験で発生する高レベルのノイズに対して,CryoSPHEREは非常に耐性があることが示される。
- 参考スコア（独自算出の注目度）: 9.887133861477233
- License:
- Abstract: The three-dimensional structure of proteins plays a crucial role in determining their function. Protein structure prediction methods, like AlphaFold, offer rapid access to a protein structure. However, large protein complexes cannot be reliably predicted, and proteins are dynamic, making it important to resolve their full conformational distribution. Single-particle cryo-electron microscopy (cryo-EM) is a powerful tool for determining the structures of large protein complexes. Importantly, the numerous images of a given protein contain underutilized information about conformational heterogeneity. These images are very noisy projections of the protein, and traditional methods for cryo-EM reconstruction are limited to recovering only one or a few consensus conformations. In this paper, we introduce cryoSPHERE, which is a deep learning method that uses a nominal protein structure (e.g., from AlphaFold) as input, learns how to divide it into segments, and moves these segments as approximately rigid bodies to fit the different conformations present in the cryo-EM dataset. This approach provides enough constraints to enable meaningful reconstructions of single protein structural ensembles. We demonstrate this with two synthetic datasets featuring varying levels of noise, as well as two real dataset. We show that cryoSPHERE is very resilient to the high levels of noise typically encountered in experiments, where we see consistent improvements over the current state-of-the-art for heterogeneous reconstruction.
- Abstract（参考訳）: タンパク質の三次元構造は、その機能を決定する上で重要な役割を担っている。
AlphaFoldのようなタンパク質構造予測手法は、タンパク質構造への迅速なアクセスを提供する。
しかし、大きなタンパク質複合体は確実に予測できず、タンパク質は動的であり、その完全な配座分布を解明することが重要である。
単一粒子低温電子顕微鏡(cryo-EM)は、大きなタンパク質複合体の構造を決定する強力なツールである。
重要なことに、与えられたタンパク質の多数の画像は、コンフォメーションの不均一性に関する未利用情報を含んでいる。
これらの画像はタンパク質の非常に騒々しい投射であり、Cryo-EM再構成の伝統的な方法は1つまたは数個のコンセンサスコンフォメーションを回復するに限られている。
本稿では,AlphaFold由来のタンパク質構造を入力として用いた深層学習手法であるCryoSPHEREを紹介し,そのセグメントをセグメントに分割する方法を学習し,これらのセグメントを略剛体として移動させて,Cryo-EMデータセットの異なるコンフォメーションに適合させる。
このアプローチは、単一タンパク質の構造的アンサンブルの有意義な再構築を可能にするのに十分な制約を提供する。
ノイズレベルが異なる2つの合成データセットと、実際の2つのデータセットでこれを実証する。
実験で発生する高レベルのノイズに対して,CryoSPHEREは非常に弾力性があることが示され,そこでは異種再建の現状に対して一貫した改善が見られた。
関連論文リスト
- Generative modeling of protein ensembles guided by crystallographic electron densities [1.026104527280739]
この問題を解決するために,非I.D.アンサンブル誘導手法を提案する。
特定の単結晶測定で観察された複雑なマルチモーダルなタンパク質のバックボーン構造を正確に復元できることを実証した。
論文 参考訳（メタデータ） (2024-12-17T00:31:59Z) - Mixture of neural fields for heterogeneous reconstruction in cryo-EM [29.837972881181102]
我々は、コンフォメーションとコンフォメーションの不均一性の両方をモデル化するアプローチであるHydraを提示する。
我々は、新しい可能性に基づく損失関数を用いて、タンパク質の混合物からなる合成データセットに対するアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2024-12-12T16:26:38Z) - Structure Language Models for Protein Conformation Generation [66.42864253026053]
伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。
深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。
本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
論文 参考訳（メタデータ） (2024-10-24T03:38:51Z) - FFF: Fragments-Guided Flexible Fitting for Building Complete Protein
Structures [10.682516227941592]
タンパク質構造予測とタンパク質構造認識を柔軟に組み合わせた新しいFFF法を提案する。
まず、入力された3次元Cryo-EMマップから様々な構造的特徴を捉えるために、マルチレベル認識ネットワークを使用する。
次に、これらの特徴に基づいて擬似ペプチドベクターとタンパク質配列アライメント法を用いてタンパク質構造断片を生成する。
論文 参考訳（メタデータ） (2023-08-07T15:10:21Z) - CryoChains: Heterogeneous Reconstruction of Molecular Assembly of
Semi-flexible Chains from Cryo-EM Images [3.0828074702828623]
分子鎖の剛体変換により生体分子の大きな変形をコードするCryoChainsを提案する。
ヒトGABAtextsubscriptBおよび熱ショックタンパク質のデータ実験により、CryoChainsは生体分子の不均一な構造を生化学的に定量化できることが示された。
論文 参考訳（メタデータ） (2023-06-12T17:57:12Z) - Cross-Gate MLP with Protein Complex Invariant Embedding is A One-Shot
Antibody Designer [58.97153056120193]
抗体の特異性は、その相補性決定領域(CDR)によって決定される
従来の研究では、複雑な技術を使ってCDRを生成するが、不適切な幾何学的モデリングに悩まされている。
本稿では,CDRの1次元配列と3次元構造を1ショットで共設計できるテクスタイスシンプルで効果的なモデルを提案する。
論文 参考訳（メタデータ） (2023-04-21T13:24:26Z) - 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) - Independent SE(3)-Equivariant Models for End-to-End Rigid Protein
Docking [57.2037357017652]
我々は、剛体タンパク質ドッキング、すなわち、個々の非結合構造からタンパク質-タンパク質複合体の3次元構造を計算的に予測する。
本研究では, タンパク質の回転と翻訳を予測し, 1つのタンパク質をドッキング位置に置くために, ペアワイズ非独立なSE(3)-等変グラフマッチングネットワークを設計する。
我々のモデルはEquiDockと呼ばれ、結合ポケットを近似し、キーポイントマッチングとアライメントを用いてドッキングポーズを予測する。
論文 参考訳（メタデータ） (2021-11-15T18:46:37Z) - BERTology Meets Biology: Interpreting Attention in Protein Language
Models [124.8966298974842]
注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。
注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。
また、注意とタンパク質構造との相互作用を三次元的に可視化する。
論文 参考訳（メタデータ） (2020-06-26T21:50:17Z)
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。