論文の概要: CodonMPNN for Organism Specific and Codon Optimal Inverse Folding

• arxiv url: http://arxiv.org/abs/2409.17265v1
• Date: Wed, 25 Sep 2024 18:27:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-30 12:52:34.779020
• Title: CodonMPNN for Organism Specific and Codon Optimal Inverse Folding
• Title（参考訳）: 生体用コドンMPNNとコドン最適逆成形
• Authors: Hannes Stark, Umesh Padia, Julia Balla, Cameron Diao, George Church,
• Abstract要約: タンパク質のバックボーン構造と生物ラベルに条件付けられたコドン配列を生成するコドンMPNNを提案する。 自然発生のDNA配列がコドン最適性に近い場合、コドンMPNNは高い発現率のコドン配列を生成することができる。
• 参考スコア（独自算出の注目度）: 2.9006421375800793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating protein sequences conditioned on protein structures is an impactful technique for protein engineering. When synthesizing engineered proteins, they are commonly translated into DNA and expressed in an organism such as yeast. One difficulty in this process is that the expression rates can be low due to suboptimal codon sequences for expressing a protein in a host organism. We propose CodonMPNN, which generates a codon sequence conditioned on a protein backbone structure and an organism label. If naturally occurring DNA sequences are close to codon optimality, CodonMPNN could learn to generate codon sequences with higher expression yields than heuristic codon choices for generated amino acid sequences. Experiments show that CodonMPNN retains the performance of previous inverse folding approaches and recovers wild-type codons more frequently than baselines. Furthermore, CodonMPNN has a higher likelihood of generating high-fitness codon sequences than low-fitness codon sequences for the same protein sequence. Code is available at https://github.com/HannesStark/CodonMPNN.
• Abstract（参考訳）: タンパク質構造に条件付けされたタンパク質配列を生成することは、タンパク質工学に影響を及ぼす技術である。 人工タンパク質を合成する際には、一般的にDNAに翻訳され、酵母のような有機体で発現する。 このプロセスの1つの困難は、宿主の生体内でタンパク質を発現するための最適コドン配列のために、発現率が低いことである。 タンパク質のバックボーン構造と生物ラベルに条件付けられたコドン配列を生成するコドンMPNNを提案する。 自然発生のDNA配列がコドン最適性に近い場合、コドンMPNNは生成したアミノ酸配列に対するヒューリスティックなコドン選択よりも高い発現率のコドン配列を生成することができる。 実験の結果,コドンMPNNは従来の逆折り畳みアプローチの性能を保ち,ベースラインよりも野生型コドンを頻繁に回収することがわかった。 さらに、CodonMPNNは、同じタンパク質配列に対する低適合性コドン配列よりも、高適合性コドン配列を生成する可能性が高い。 コードはhttps://github.com/HannesStark/CodonMPNNで入手できる。

関連論文リスト

• A PLMs based protein retrieval framework [4.110243520064533]
  本稿では,配列類似性に対するバイアスを緩和する新規なタンパク質検索フレームワークを提案する。 我々のフレームワークは、タンパク質の配列を高次元の特徴空間に埋め込むために、タンパク質言語モデル(PLM)を主導的に活用する。 大規模な実験により、我々のフレームワークは類似タンパク質と異種タンパク質の両方を等しく回収できることが示された。
  論文  参考訳（メタデータ） (2024-07-16T09:52:42Z)
• Reinforcement Learning for Sequence Design Leveraging Protein Language Models [14.477268882311991]
  本稿では,タンパク質言語モデル(PLM)を報酬関数として利用し,新たな配列を生成することを提案する。 我々はRLベースのアプローチをベンチマークするために、様々なシーケンス長に関する広範な実験を行う。 生物学的妥当性とタンパク質の多様性に関する総合的な評価を行った。
  論文  参考訳（メタデータ） (2024-07-03T14:31:36Z)
• Clustering for Protein Representation Learning [72.72957540484664]
  本稿では,タンパク質の臨界成分を自動的に検出するニューラルネットワーククラスタリングフレームワークを提案する。 我々のフレームワークはタンパク質をグラフとして扱い、各ノードはアミノ酸を表し、各エッジはアミノ酸間の空間的またはシーケンシャルな接続を表す。 タンパク質の折り畳み分類, 酵素反応分類, 遺伝子期予測, 酵素コミッショニング数予測の4つの課題について検討した。
  論文  参考訳（メタデータ） (2024-03-30T05:51:09Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• FoldToken: Learning Protein Language via Vector Quantization and Beyond [56.19308144551836]
  タンパク質配列構造を離散シンボルとして表現するために textbfFoldTokenizer を導入する。 学習したシンボルを textbfFoldToken と呼び、FoldToken の配列が新しいタンパク質言語として機能する。
  論文  参考訳（メタデータ） (2024-02-04T12:18:51Z)
• Pairing interacting protein sequences using masked language modeling [0.3222802562733787]
  配列アライメントに基づいて訓練されたタンパク質言語モデルを用いて相互作用するタンパク質配列をペア化する手法を開発した。 我々は、MSAトランスフォーマーが、周囲のコンテキストを用いて複数の配列アライメントでマスクされたアミノ酸を埋める能力を利用する。 単一チェーンデータでトレーニングされている間に、チェーン間の共進化をキャプチャできることが示されています。
  論文  参考訳（メタデータ） (2023-08-14T13:42:09Z)
• HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide Resolution [76.97231739317259]
  本稿では,ヒト参照ゲノム上に,最大100万個のトークンを単一ヌクレオチドレベルで有するゲノム基盤モデルであるHyenaDNAについて紹介する。 Nucleotide Transformerの微調整されたベンチマークでは、HyenaDNAが18のデータセットのうち12の最先端(SotA)に到達した。
  論文  参考訳（メタデータ） (2023-06-27T20:46:34Z)
• A Text-guided Protein Design Framework [106.79061950107922]
  本稿では,タンパク質設計のためのテキスト記述を利用するマルチモーダルフレームワークであるProteinDTを提案する。 タンパク質DTは以下の3つのステップから構成される:2つのモダリティの表現を整列するProteinCLAP、テキストモダリティからタンパク質表現を生成するファシリテーター、表現からタンパク質配列を生成するデコーダ。 本研究では,(1)テキスト誘導タンパク質生成における90%以上の精度,(2)ゼロショットテキスト誘導タンパク質編集タスクにおけるベストヒット率,(3)タンパク質特性予測ベンチマーク6項目中4項目における優れた性能の3つの課題に対するProteinDTの有効性を定量的に検証した。
  論文  参考訳（メタデータ） (2023-02-09T12:59:16Z)
• Training self-supervised peptide sequence models on artificially chopped proteins [12.715029139379393]
  我々は、ペプチド言語モデルを「チョップタンパク質」で訓練する新しいペプチドデータ拡張手法を提案する。 タンパクで訓練されたモデルと天然ペプチドの表現電位を評価した。 深部突然変異スキャンペプチドベンチマークにおけるゼロショット学習性能の向上を実証した。
  論文  参考訳（メタデータ） (2022-11-09T22:22:17Z)
• Protein Sequence and Structure Co-Design with Equivariant Translation [19.816174223173494]
  既存のアプローチは自己回帰モデルまたは拡散モデルを用いてタンパク質配列と構造の両方を生成する。 本稿では,タンパク質配列と構造共設計が可能な新しいアプローチを提案する。 我々のモデルは、幾何学的制約と文脈特徴からの相互作用を推論する三角法を意識したエンコーダで構成されている。 全てのタンパク質アミノ酸は翻訳工程で1ショットずつ更新され、推論プロセスが大幅に加速される。
  論文  参考訳（メタデータ） (2022-10-17T06:00:12Z)
• 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)

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。