論文の概要: Beyond Current Boundaries: Integrating Deep Learning and AlphaFold for Enhanced Protein Structure Prediction from Low-Resolution Cryo-EM Maps
- arxiv url: http://arxiv.org/abs/2410.23321v1
- Date: Wed, 30 Oct 2024 06:52:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-01 16:59:57.642438
- Title: Beyond Current Boundaries: Integrating Deep Learning and AlphaFold for Enhanced Protein Structure Prediction from Low-Resolution Cryo-EM Maps
- Title（参考訳）: ディープラーニングとAlphaFoldを統合した低解像度Cryo-EMマップによるタンパク質構造予測
- Authors: Xin, Ma, Dong Si,
- Abstract要約: DeepTracer-LowResEnhanceは、AlphaFoldのパワーとディープラーニングの強化されたマップリファインメント技術を相乗化するフレームワークである。
この手法は低解像度のCryo-EMマップからモデルの構築を著しく改善するために設計されている。
- 参考スコア（独自算出の注目度）: 0.351124620232225
- License:
- Abstract: Constructing atomic models from cryo-electron microscopy (cryo-EM) maps is a crucial yet intricate task in structural biology. While advancements in deep learning, such as convolutional neural networks (CNNs) and graph neural networks (GNNs), have spurred the development of sophisticated map-to-model tools like DeepTracer and ModelAngelo, their efficacy notably diminishes with low-resolution maps beyond 4 {\AA}. To address this shortfall, our research introduces DeepTracer-LowResEnhance, an innovative framework that synergizes a deep learning-enhanced map refinement technique with the power of AlphaFold. This methodology is designed to markedly improve the construction of models from low-resolution cryo-EM maps. DeepTracer-LowResEnhance was rigorously tested on a set of 37 protein cryo-EM maps, with resolutions ranging between 2.5 to 8.4 {\AA}, including 22 maps with resolutions lower than 4 {\AA}. The outcomes were compelling, demonstrating that 95.5\% of the low-resolution maps exhibited a significant uptick in the count of total predicted residues. This denotes a pronounced improvement in atomic model building for low-resolution maps. Additionally, a comparative analysis alongside Phenix's auto-sharpening functionality delineates DeepTracer-LowResEnhance's superior capability in rendering more detailed and precise atomic models, thereby pushing the boundaries of current computational structural biology methodologies.
- Abstract（参考訳）: 低温電子顕微鏡(cryo-EM)マップから原子モデルを構築することは、構造生物学において不可欠だが複雑な作業である。
畳み込みニューラルネットワーク(CNN)やグラフニューラルネットワーク(GNN)といったディープラーニングの進歩は、DeepTracerやModelAngeloといった高度なマップ・ツー・モデルツールの開発に拍車をかけたが、その効果は4.AAを越える低解像度マップで顕著に減少している。
この欠点に対処するため、我々はDeepTracer-LowResEnhanceを紹介した。
この手法は低解像度のCryo-EMマップからモデルの構築を著しく改善するために設計されている。
DeepTracer-LowResEnhanceは、解像が2.5から8.4.AA}の範囲で、解像が4.AA}より低い22の地図を含む37のタンパク質Cryo-EMマップで厳密にテストされた。
結果は説得力があり、低解像度の地図の95.5\%が予測された残基の総数で顕著な上昇を示した。
これは低解像度マップのための原子モデル構築の顕著な改善を意味する。
さらに、Phenixのオートシャーピング機能との対比分析により、より詳細で正確な原子モデルのレンダリングにおけるDeepTracer-LowResEnhanceの優れた能力が明確化され、現在の計算構造生物学方法論の境界を押し広げている。
関連論文リスト
- Network architecture search of X-ray based scientific applications [4.8287663496299755]
X線および電子回折に基づく顕微鏡は、ブラッグピーク検出とポチグラフィーを用いて原子分解能で3Dイメージングを行う。
近年、ディープニューラルネットワークの使用により、既存の最先端アプローチが改善されている。
論文 参考訳（メタデータ） (2024-04-16T16:09:38Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。
メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。
我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
論文 参考訳（メタデータ） (2023-02-01T17:32:16Z) - Subject-specific quantitative susceptibility mapping using patch based
deep image priors [13.734472448148333]
そこで本研究では,被検者固有のパッチベースの教師なし学習アルゴリズムを提案し,その感受性マップを推定する。
我々は、深層畳み込みニューラルネットワークを用いて、地図のパッチにまたがる冗長性を利用して、問題をうまく解決する。
このアルゴリズムを3次元インビジョデータセットで検証し、競合する手法よりも改良された再構成を実証した。
論文 参考訳（メタデータ） (2022-10-10T02:28:53Z) - SInGE: Sparsity via Integrated Gradients Estimation of Neuron Relevance [37.82255888371488]
本稿では,このニューロン除去への経路の勾配変化の積分として,各ニューロンの関連性を定義した新しい勾配解析基準を提案する。
提案手法は,いくつかのデータセットやアーキテクチャ,さらにはSInGEと呼ばれるプルーニングシナリオにおいて,既存の最先端のプルーニング手法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2022-07-08T18:27:42Z) - SmoothNets: Optimizing CNN architecture design for differentially
private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。
これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。
SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文 参考訳（メタデータ） (2022-05-09T07:51:54Z) - Cell nuclei classification in histopathological images using hybrid
OLConvNet [13.858624044986815]
我々は,ハイブリッドでフレキシブルなディープラーニングアーキテクチャOLConvNetを提案している。
CNN_3L$は、少ないパラメータをトレーニングすることで、トレーニング時間を短縮する。
提案手法は, 現代の複雑なアルゴリズムよりも良好に動作し, 性能が向上することを示した。
論文 参考訳（メタデータ） (2022-02-21T12:39:37Z) - Scalable deeper graph neural networks for high-performance materials
property prediction [1.9129213267332026]
本稿では,グループ分け可能な正規化とスキップ接続が可能な新しいグラフ注意ニューラルネットワークモデルDeeperGATGNNを提案する。
我々の研究は、結晶構造をそれらの性質にマッピングする複雑さに対処するためには、堅牢な性能を達成するために大規模な非常に深いグラフニューラルネットワークが必要であることを示している。
論文 参考訳（メタデータ） (2021-09-25T05:58:04Z) - Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。
また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
論文 参考訳（メタデータ） (2021-06-24T01:40:17Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z)
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。