論文の概要: ProtSCAPE: Mapping the landscape of protein conformations in molecular dynamics

• arxiv url: http://arxiv.org/abs/2410.20317v1
• Date: Sun, 27 Oct 2024 02:59:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:20:23.404333
• Title: ProtSCAPE: Mapping the landscape of protein conformations in molecular dynamics
• Title（参考訳）: ProtSCAPE:分子動力学におけるタンパク質コンホメーションの展望
• Authors: Siddharth Viswanath, Dhananjay Bhaskar, David R. Johnson, Joao Felipe Rocha, Egbert Castro, Jackson D. Grady, Alex T. Grigas, Michael A. Perlmutter, Corey S. O'Hern, Smita Krishnaswamy,
• Abstract要約: 我々は,新しい深層学習アーキテクチャ,タンパク質トランスフォーマー,散乱,注意,位置埋め込み(ProtSCAPE)を導入する。 ProtSCAPEは、幾何学的散乱変換のマルチスケールの性質を利用して、グラフとして概念化されたタンパク質構造から特徴を抽出する。 これらの特徴を、残基やアミノ酸シグナルに焦点をあてた二重の注意構造と統合し、タンパク質軌道の潜在的な表現を生成する。
• 参考スコア（独自算出の注目度）: 3.6181745062052495
• License:
• Abstract: Understanding the dynamic nature of protein structures is essential for comprehending their biological functions. While significant progress has been made in predicting static folded structures, modeling protein motions on microsecond to millisecond scales remains challenging. To address these challenges, we introduce a novel deep learning architecture, Protein Transformer with Scattering, Attention, and Positional Embedding (ProtSCAPE), which leverages the geometric scattering transform alongside transformer-based attention mechanisms to capture protein dynamics from molecular dynamics (MD) simulations. ProtSCAPE utilizes the multi-scale nature of the geometric scattering transform to extract features from protein structures conceptualized as graphs and integrates these features with dual attention structures that focus on residues and amino acid signals, generating latent representations of protein trajectories. Furthermore, ProtSCAPE incorporates a regression head to enforce temporally coherent latent representations.
• Abstract（参考訳）: タンパク質の構造の動的性質を理解することは、それらの生物学的機能を理解するのに不可欠である。 静的な折りたたみ構造の予測には大きな進歩があったが、マイクロ秒からミリ秒のスケールでタンパク質の動きをモデル化することは依然として困難である。 これらの課題に対処するために,分子動力学(MD)シミュレーションからタンパク質動態を捉えるために,トランスフォーマに基づく注意機構とともに幾何学的散乱変換を利用する新しいディープラーニングアーキテクチャであるProtSCAPE(ProtSCAPE)を導入する。 ProtSCAPEは、幾何散乱変換のマルチスケールの性質を利用して、グラフとして概念化されたタンパク質構造から特徴を抽出し、これらの特徴を、残基とアミノ酸信号に焦点を当てた二重の注意構造と統合し、タンパク質軌道の潜在表現を生成する。 さらに、ProtSCAPEにはレグレッションヘッドが組み込まれ、時間的コヒーレントな潜在表現が強制される。

関連論文リスト

• Agentic End-to-End De Novo Protein Design for Tailored Dynamics Using a Language Diffusion Model [0.5678271181959529]
  VibeGenは、ノーマルモードの振動を条件としたエンド・ツー・エンドのデ・ノボタンパク質の設計を可能にする、ジェネレーティブなAIフレームワークである。 我々の研究は、タンパク質のダイナミクスを生成タンパク質の設計に統合し、配列と振動の振舞いの直接的な双方向リンクを確立する。
  論文  参考訳（メタデータ） (2025-02-14T14:07:54Z)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Long-context Protein Language Model [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで我々は,選択的構造化状態空間モデルから構築した代替のタンパク質LMアーキテクチャであるBiMamba-Sに基づくLC-PLMを提案する。 また、第2段階のトレーニングのために、タンパク質-タンパク質相互作用グラフの文脈化を行うLC-PLM-Gも導入した。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• AlphaFolding: 4D Diffusion for Dynamic Protein Structure Prediction with Reference and Motion Guidance [18.90451943620277]
  本研究では分子動力学(MD)シミュレーションデータを用いた動的タンパク質構造学習のための革新的4次元拡散モデルを提案する。 本モデルでは,32時間で最大256個のアミノ酸を含むタンパク質の動的3次元構造を予測できる。
  論文  参考訳（メタデータ） (2024-08-22T14:12:50Z)
• Protein Conformation Generation via Force-Guided SE(3) Diffusion Models [48.48934625235448]
  新しいタンパク質コンホメーションを生成するために、深層生成モデリング技術が用いられている。 本稿では,タンパク質コンフォメーション生成のための力誘導SE(3)拡散モデルConfDiffを提案する。
  論文  参考訳（メタデータ） (2024-03-21T02:44:08Z)
• ForceGen: End-to-end de novo protein generation based on nonlinear mechanical unfolding responses using a protein language diffusion model [0.5678271181959529]
  複雑な非線形力学特性-設計目的を満たすためにタンパク質設計を予測する生成モデルについて報告する。 我々のモデルは、事前訓練されたタンパク質言語モデルからタンパク質配列の深い知識を活用し、機械的展開応答をマッピングして新しいタンパク質を生成する。 我々のモデルは、生物合成に拘束されない巨大なメカノロジータンパク質配列空間を探索する素早い経路を提供する。
  論文  参考訳（メタデータ） (2023-10-16T17:31:34Z)
• 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)
• Encoding protein dynamic information in graph representation for functional residue identification [0.0]
  タンパク質機能予測の最近の進歩は、タンパク質の構造的特徴とトポロジ的特徴と分子機能との相関をグラフベースの深層学習アプローチを用いている。 ここでは, 動的に相関する残基対間のエッジを連結することにより, ネイティブタンパク質コンホメーションと拡張タンパク質グラフに正規モード解析を適用した。 提案したグラフニューラルネットワークであるProDARは、残基レベルのアノテーションの解釈可能性と一般化性を高め、タンパク質の構造的ニュアンスを強く反映する。
  論文  参考訳（メタデータ） (2021-12-15T17:57:13Z)
• 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。