論文の概要: A DNN Biophysics Model with Topological and Electrostatic Features

• arxiv url: http://arxiv.org/abs/2409.03658v1
• Date: Thu, 5 Sep 2024 16:11:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 20:03:34.018388
• Title: A DNN Biophysics Model with Topological and Electrostatic Features
• Title（参考訳）: トポロジカルおよび静電特性を持つDNN生体物理モデル
• Authors: Elyssa Sliheet, Md Abu Talha, Weihua Geng,
• Abstract要約: このモデルは、タンパク質の構造情報と力場によって生成される多スケールおよび均一なトポロジカルおよび静電気的特徴を使用する。 4000以上のタンパク質構造上の機械学習シミュレーションは、これらの特徴の効率性と忠実さを示している。 このモデルは、生物物理学的性質と幅広い生体分子の機能予測を支援する一般的なツールとしての可能性を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this project, we provide a deep-learning neural network (DNN) based biophysics model to predict protein properties. The model uses multi-scale and uniform topological and electrostatic features generated with protein structural information and force field, which governs the molecular mechanics. The topological features are generated using the element specified persistent homology (ESPH) while the electrostatic features are fast computed using a Cartesian treecode. These features are uniform in number for proteins with various sizes thus the broadly available protein structure database can be used in training the network. These features are also multi-scale thus the resolution and computational cost can be balanced by the users. The machine learning simulation on over 4000 protein structures shows the efficiency and fidelity of these features in representing the protein structure and force field for the predication of their biophysical properties such as electrostatic solvation energy. Tests on topological or electrostatic features alone and the combination of both showed the optimal performance when both features are used. This model shows its potential as a general tool in assisting biophysical properties and function prediction for the broad biomolecules using data from both theoretical computing and experiments.
• Abstract（参考訳）: 本稿では,タンパク質の性質を予測するために,ディープラーニングニューラルネットワーク(DNN)に基づく生体物理モデルを提案する。 このモデルは、タンパク質の構造情報と力場によって生成される多スケールおよび均一なトポロジカルおよび静電特性を用いており、分子力学を制御している。 トポロジ的特徴は要素指定持続ホモロジー(ESPH)を用いて生成され、静電気的特徴はカルテシアンツリーコードを用いて高速に計算される。 これらの特徴は、様々な大きさのタンパク質に対して一様であり、ネットワークのトレーニングに広く利用可能なタンパク質構造データベースを使用することができる。 これらの機能はマルチスケールであるため、解像度と計算コストはユーザによってバランスがとれる。 4000以上のタンパク質構造に関する機械学習シミュレーションは、静電溶解エネルギーなどの生体物性の予測のためのタンパク質構造と力場を表現する上で、これらの特徴の効率性と忠実性を示している。 トポロジカルな特徴と静電気的な特徴を単独で試験し,両特徴を併用した場合の最適性能を示した。 このモデルは、理論計算と実験の両方のデータを用いて、幅広い生体分子の生物物理学的性質と機能予測を支援する一般的なツールとしての可能性を示している。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Dynamic PDB: A New Dataset and a SE(3) Model Extension by Integrating Dynamic Behaviors and Physical Properties in Protein Structures [15.819618708991598]
  約12.6Kタンパク質を含む大規模データセットであるDynamic PDBを導入する。 我々は、原子速度と力、ポテンシャルと運動エネルギー、シミュレーション環境の温度を含む、総合的な物理特性スイートを提供する。 本研究は, 軌道予測の課題に対して, 提案したデータセット上での最先端手法の評価を行う。
  論文  参考訳（メタデータ） (2024-08-22T14:06:01Z)
• Machine Learning Coarse-Grained Potentials of Protein Thermodynamics [1.3543803103181613]
  我々は、ニューラルネットワークに基づいて粗粒度分子ポテンシャルを構築し、統計力学を基礎とする。 トレーニングのために、12種類のタンパク質に対して約9msの非偏平全原子分子動力学シミュレーションのユニークなデータセットを構築した。 粗い粒度のモデルでは、系の熱力学を保ちながら、力学を3桁以上加速することができる。
  論文  参考訳（メタデータ） (2022-12-14T20:23:11Z)
• Integration of Pre-trained Protein Language Models into Geometric Deep Learning Networks [68.90692290665648]
  我々は、タンパク質言語モデルから学んだ知識を、いくつかの最先端の幾何学的ネットワークに統合する。 以上の結果から,ベースラインを20%上回る総合的な改善が見られた。 強い証拠は、タンパク質言語モデルの知識を取り入れることで、幾何学的ネットワークの能力が著しく向上することを示している。
  論文  参考訳（メタデータ） (2022-12-07T04:04:04Z)
• 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)
• Neural Upscaling from Residue-level Protein Structure Networks to Atomistic Structure [2.087827281461409]
  神経のアップスケーリング」は、内在的に混乱したタンパク質の詳細な構造情報を効果的に再カプセル化することができる。 以上の結果から,タンパク質の構造と動態のスケーラブルなネットワークモデルが,原子論的な詳細が望まれる環境で利用される可能性が示唆された。
  論文  参考訳（メタデータ） (2021-08-25T23:43:57Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)
• PersGNN: Applying Topological Data Analysis and Geometric Deep Learning to Structure-Based Protein Function Prediction [0.07340017786387766]
  本研究では,タンパク質構造を分離し,タンパク質データバンク内のタンパク質の機能的アノテーションを作成する。 本稿では,グラフ表現学習とトポロジカルデータ解析を組み合わせた,エンドツーエンドのトレーニング可能なディープラーニングモデルPersGNNを提案する。
  論文  参考訳（メタデータ） (2020-10-30T02:24:35Z)
• 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)
• Energy-based models for atomic-resolution protein conformations [88.68597850243138]
  原子スケールで動作するタンパク質コンホメーションのエネルギーモデル(EBM)を提案する。 このモデルは、結晶化されたタンパク質のデータにのみ訓練されている。 モデル出力と隠された表現の研究により、タンパク質エネルギーに関連する物理化学的性質を捉えることが判明した。
  論文  参考訳（メタデータ） (2020-04-27T20:45:12Z)

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。