論文の概要: Transformer-based toxin-protein interaction analysis prioritizes airborne particulate matter components with potential adverse health effects
- arxiv url: http://arxiv.org/abs/2412.16664v1
- Date: Sat, 21 Dec 2024 15:26:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:56:07.947062
- Title: Transformer-based toxin-protein interaction analysis prioritizes airborne particulate matter components with potential adverse health effects
- Title(参考訳): トランスフォーマーによる毒素とタンパク質の相互作用解析は、大気中の粒子状物質成分と潜在的な健康影響を優先する
- Authors: Yan Zhu, Shihao Wang, Yong Han, Yao Lu, Shulan Qiu, Ling Jin, Xiangdong Li, Weixiong Zhang,
- Abstract要約: 大気汚染、特に大気中の粒子状物質(PM)は、世界中の公衆衛生に重大な脅威をもたらす。
TipFormerは、ヒト細胞を貫通できる有害成分を識別する新しいディープラーニングツールである。
- 参考スコア(独自算出の注目度): 9.014844211231948
- License:
- Abstract: Air pollution, particularly airborne particulate matter (PM), poses a significant threat to public health globally. It is crucial to comprehend the association between PM-associated toxic components and their cellular targets in humans to understand the mechanisms by which air pollution impacts health and to establish causal relationships between air pollution and public health consequences. Although many studies have explored the impact of PM on human health, the understanding of the association between toxins and the associated targets remain limited. Leveraging cutting-edge deep learning technologies, we developed tipFormer (toxin-protein interaction prediction based on transformer), a novel deep-learning tool for identifying toxic components capable of penetrating human cells and instigating pathogenic biological activities and signaling cascades. Experimental results show that tipFormer effectively captures interactions between proteins and toxic components. It incorporates dual pre-trained language models to encode protein sequences and chemicals. It employs a convolutional encoder to assimilate the sequential attributes of proteins and chemicals. It then introduces a learning module with a cross-attention mechanism to decode and elucidate the multifaceted interactions pivotal for the hotspots binding proteins and chemicals. Experimental results show that tipFormer effectively captures interactions between proteins and toxic components. This approach offers significant value to air quality and toxicology researchers by allowing high-throughput identification and prioritization of hazards. It supports more targeted laboratory studies and field measurements, ultimately enhancing our understanding of how air pollution impacts human health.
- Abstract(参考訳): 大気汚染、特に大気中の粒子状物質(PM)は、世界中の公衆衛生に重大な脅威をもたらす。
PM関連有害成分とヒトの細胞標的との関係を解明し、大気汚染が健康に影響を及ぼすメカニズムを理解し、大気汚染と公衆衛生の因果関係を確立することが重要である。
PMがヒトの健康に与える影響について多くの研究がなされているが、毒素と関連する標的との関係の理解は限られている。
最先端の深層学習技術を活用し,ヒト細胞を侵入し,病原生物活性を阻害し,カスケードをシグナル伝達する毒性成分を同定する新しい深層学習ツールである tipFormer (transformer に基づく毒素-タンパク質相互作用予測) を開発した。
tipFormerはタンパク質と有害成分の相互作用を効果的に捉えている。
タンパク質配列と化学物質を符号化するために、二重事前訓練言語モデルが組み込まれている。
畳み込みエンコーダを使用して、タンパク質や化学物質のシーケンシャルな属性を同化している。
次に、ホットスポット結合タンパク質や化学物質の多面的相互作用をデコードし、解明するクロスアテンション機構を持つ学習モジュールを導入する。
tipFormerはタンパク質と有害成分の相互作用を効果的に捉えている。
このアプローチは、高スループットの同定とハザードの優先順位付けを可能にすることで、空気質と毒性学研究者に重要な価値を提供する。
大気汚染が人間の健康にどんな影響を及ぼすか、究極的には理解を深めています。
関連論文リスト
- AI and Machine Learning Approaches for Predicting Nanoparticles Toxicity The Critical Role of Physiochemical Properties [0.0]
本研究は, サイズ, 形状, 表面電荷, 化学組成などの物理化学的特性を解析し, 毒性への影響を明らかにすることに焦点を当てた。
本研究は, 酸素原子, 粒子径, 表面積, 投与量, 曝露期間が毒性に及ぼす影響を明らかにする。
論文 参考訳(メタデータ) (2024-09-06T08:36:42Z) - 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) - Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。
本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。
提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
論文 参考訳(メタデータ) (2024-01-17T14:10:40Z) - Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳(メタデータ) (2023-12-09T07:08:00Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - Interactive Molecular Discovery with Natural Language [69.89287960545903]
対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。
この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
論文 参考訳(メタデータ) (2023-06-21T02:05:48Z) - Predicting Molecule-Target Interaction by Learning Biomedical Network
and Molecule Representations [10.128856077021625]
本稿では,生物医学的ネットワークトポロジと分子構造・化学情報の両方を表現として学習し,与えられた分子と標的対の潜在的な相互作用を予測する,擬似システマグラフニューラルネットワーク手法 MTINet+ を提案する。
異なる分子標的相互作用タスクの実験では、MTINet+は最先端のベースラインよりも著しく優れていた。
論文 参考訳(メタデータ) (2023-02-02T10:00:46Z) - A multitask transfer learning framework for the prediction of
virus-human protein-protein interactions [0.30586855806896046]
我々は、約2400万のタンパク質配列の情報と、ヒトの相互作用系からの相互作用パターンを利用する転写学習手法を開発した。
我々は、ヒトタンパク質とタンパク質の相互作用を観測する確率を最大化することを目的とした追加の目的を用いる。
実験結果から,本モデルがウイルス-ヒト-ヒト-ヒト-タンパク質相互作用予測タスクに有効であることが示された。
論文 参考訳(メタデータ) (2021-11-26T07:53:51Z) - Deep Contextual Learners for Protein Networks [16.599890339599586]
本稿では,タンパク質の埋め込みに細胞および組織コンテキストを注入するグラフニューラルメッセージパッシングアプローチであるAWAREを紹介する。
AWAREは、タンパク質、細胞型、組織埋め込みを学習し、細胞型と組織階層を保持する。
AWAREは、遺伝子が疾患に関連付けられているか、そして人体に最も出現する可能性が最も高いかを予測するための新しい課題について実証する。
論文 参考訳(メタデータ) (2021-06-04T04:26:27Z) - The Effects of Air Quality on the Spread of the COVID-19. An Artificial
Intelligence Approach [3.997680012976965]
本研究の目的は,イタリア地方における大気汚染とcovid-19の感染状況の関連について検討することである。
日頃のCOVID-19の事例と、気温、相対湿度、大気汚染物質などの環境要因との相関関係の分析を報告します。
これは、将来の感染数を予測するために環境パラメータでトレーニングされた機械学習モデルが正確であることを示唆している。
論文 参考訳(メタデータ) (2021-04-09T19:08:59Z) - Accelerating Antimicrobial Discovery with Controllable Deep Generative
Models and Molecular Dynamics [109.70543391923344]
CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。
深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。
提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
論文 参考訳(メタデータ) (2020-05-22T15:57:58Z)
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。