論文の概要: Accelerated Hydration Site Localization and Thermodynamic Profiling

• arxiv url: http://arxiv.org/abs/2411.15618v1
• Date: Sat, 23 Nov 2024 17:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:18:38.102267
• Title: Accelerated Hydration Site Localization and Thermodynamic Profiling
• Title（参考訳）: 加速水和部位の局在と熱力学的プロファイリング
• Authors: Florian B. Hinz, Matthew R. Masters, Julia N. Kieu, Amr H. Mahmoud, Markus A. Lill,
• Abstract要約: 本研究では,タンパク質構造用水和部位の高速かつ高精度な局在と熱力学的プロファイリング法を提案する。 この方法は、明示的な水分子動力学シミュレーションの大規模で新しいデータセットに基づいて訓練された幾何学的深層ニューラルネットワークに基づいている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Water plays a fundamental role in the structure and function of proteins and other biomolecules. The thermodynamic profile of water molecules surrounding a protein are critical for ligand binding and recognition. Therefore, identifying the location and thermodynamic behavior of relevant water molecules is important for generating and optimizing lead compounds for affinity and selectivity to a given target. Computational methods have been developed to identify these hydration sites, but are largely limited to simplified models that fail to capture multi-body interactions, or dynamics-based methods that rely on extensive sampling. Here we present a method for fast and accurate localization and thermodynamic profiling of hydration sites for protein structures. The method is based on a geometric deep neural network trained on a large, novel dataset of explicit water molecular dynamics simulations. We confirm the accuracy and robustness of our model on experimental data and demonstrate it's utility on several case studies.
• Abstract（参考訳）: 水はタンパク質やその他の生体分子の構造と機能に基本的な役割を果たす。 タンパク質を取り巻く水分子の熱力学的プロファイルは、リガンド結合と認識に重要である。 したがって, 関連する水分子の位置と熱力学的挙動の同定は, 特定の対象に対する親和性と選択性のために, 鉛化合物の生成と最適化に重要である。 これらのハイドレーション部位を特定するために計算法が開発されているが、多体相互作用を捉えない単純化されたモデルや、広範囲なサンプリングに依存する動的手法に限られている。 本稿では,タンパク質構造用水和部位の高速かつ高精度な局在と熱力学的プロファイリング法を提案する。 この方法は、明示的な水分子動力学シミュレーションの大規模で新しいデータセットに基づいて訓練された幾何学的深層ニューラルネットワークに基づいている。 実験データに基づくモデルの精度とロバスト性を検証し,いくつかのケーススタディで有効であることを示す。

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)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Mixup-Augmented Meta-Learning for Sample-Efficient Fine-Tuning of Protein Simulators [29.22292758901411]
  分子動力学タスクにソフトプロンプトに基づく学習手法を適用する。 本フレームワークは,ドメイン内データの精度を向上し,未知および分布外サンプルの強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2023-08-29T08:29:08Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• From Static to Dynamic Structures: Improving Binding Affinity Prediction with Graph-Based Deep Learning [40.83037811977803]
  Dynaformerは、タンパク質-リガンド結合親和性を予測するために開発されたグラフベースのディープラーニングモデルである。 CASF-2016ベンチマークデータセットでは、最先端のスコアとランキングの能力を示している。 熱ショックタンパク質90(HSP90)の仮想スクリーニングにおいて、20の候補を同定し、それらの結合親和性を実験的に検証する。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• DeePN$^2$: A deep learning-based non-Newtonian hydrodynamic model [16.629659193663713]
  深層学習に基づく非ニュートン流体力学モデルであるDeePN$2$が提案され、マイクロスケール構造力学情報を単純なポリマー配座と結合電位を持つ懸濁液のマクロスケール流体力学に体系的に渡すことに成功している。 DeePN$2$は、人間の介入なしに特定の分子構造力学から生じる広く見過ごされた粘弾性差を忠実に捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-12-29T19:30:07Z)
• On-the-fly Prediction of Protein Hydration Densities and Free Energies using Deep Learning [0.0]
  我々は,水和サイトデータを予測するためのディープニューラルネットワークモデルを開発した。 タンパク質相互作用場は、水和占有の対応する3D画像にマッピングされる。 直接のタンパク質相互作用場に加えて、各格子点の環境は、近傍格子点の相互作用特性の球面高調波展開のモーメントを用いて表現された。
  論文  参考訳（メタデータ） (2020-01-07T18:06:30Z)

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。