論文の概要: Protein Structure Prediction in the 3D HP Model Using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2412.20329v1
• Date: Sun, 29 Dec 2024 02:55:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:06:58.024163
• Title: Protein Structure Prediction in the 3D HP Model Using Deep Reinforcement Learning
• Title（参考訳）: 深部強化学習を用いた3次元HPモデルにおけるタンパク質構造予測
• Authors: Giovanny Espitia, Yui Tik Pang, James C. Gumbart,
• Abstract要約: 本稿では,2つの新しいディープラーニングアーキテクチャによる3次元疎水性・多孔格子モデルにおけるタンパク質構造予測について述べる。 36残基以下のタンパク質について、我々のハイブリッド貯水池モデルでは、固定されたランダムプロジェクションとトレーニング可能な深層を組み合わせ、トレーニングエピソードを25%減らして最適なコンフォーメーションを達成する。 より長いシーケンスに対して、私たちは、最もよく知られたエネルギー値に一致する、多面的な注意を持つ長い短期記憶ネットワークを使用します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We address protein structure prediction in the 3D Hydrophobic-Polar lattice model through two novel deep learning architectures. For proteins under 36 residues, our hybrid reservoir-based model combines fixed random projections with trainable deep layers, achieving optimal conformations with 25% fewer training episodes. For longer sequences, we employ a long short-term memory network with multi-headed attention, matching best-known energy values. Both architectures leverage a stabilized Deep Q-Learning framework with experience replay and target networks, demonstrating consistent achievement of optimal conformations while significantly improving training efficiency compared to existing methods.
• Abstract（参考訳）: 本稿では,2つの新しいディープラーニングアーキテクチャによる3次元疎水性・多孔格子モデルにおけるタンパク質構造予測について述べる。 36残基以下のタンパク質について、我々のハイブリッド貯水池モデルでは、固定されたランダムプロジェクションとトレーニング可能な深層を組み合わせ、トレーニングエピソードを25%減らして最適なコンフォーメーションを達成する。 より長いシーケンスに対して、私たちは、最もよく知られたエネルギー値に一致する、多面的な注意を持つ長い短期記憶ネットワークを使用します。 どちらのアーキテクチャも、経験的なリプレイとターゲットネットワークを備えた安定したQラーニングフレームワークを活用し、最適なコンフォーメーションの一貫性のある達成を実証し、既存の手法と比較してトレーニング効率を著しく改善する。

関連論文リスト

• Physics-informed DeepONet with stiffness-based loss functions for structural response prediction [0.07538606213726905]
  本研究では,DeepOnetを用いた構造的静的応答のリアルタイム予測手法を提案する。 トレーニングされたDeepONetは、1秒以内にドメイン全体のソリューションを生成することができる。
  論文  参考訳（メタデータ） (2024-09-02T07:19:47Z)
• On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
  本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。 2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
  論文  参考訳（メタデータ） (2024-07-15T13:06:00Z)
• xTrimoPGLM: Unified 100B-Scale Pre-trained Transformer for Deciphering the Language of Protein [74.64101864289572]
  本稿では,タンパク質の理解と生成を同時に行うために,統一されたタンパク質言語モデル xTrimoPGLM を提案する。 xTrimoPGLMは、4つのカテゴリにわたる18のタンパク質理解ベンチマークにおいて、他の高度なベースラインを著しく上回っている。 また、自然の原理に従ってデノボタンパク質配列を生成でき、微調整を監督した後にプログラム可能な生成を行うことができる。
  論文  参考訳（メタデータ） (2024-01-11T15:03:17Z)
• Integration of Pre-trained Protein Language Models into Geometric Deep Learning Networks [68.90692290665648]
  我々は、タンパク質言語モデルから学んだ知識を、いくつかの最先端の幾何学的ネットワークに統合する。 以上の結果から,ベースラインを20%上回る総合的な改善が見られた。 強い証拠は、タンパク質言語モデルの知識を取り入れることで、幾何学的ネットワークの能力が著しく向上することを示している。
  論文  参考訳（メタデータ） (2022-12-07T04:04:04Z)
• AlphaFold Distillation for Protein Design [25.190210443632825]
  逆タンパク質の折りたたみはバイオエンジニアリングと薬物発見に不可欠である。 AlphaFoldのような前方の折りたたみモデルは、シーケンスから構造を正確に予測することで潜在的な解決策を提供する。 本稿では, 折り畳みモデルの信頼性測定値に対する知識蒸留を用いて, より高速かつエンドツーエンドの識別可能な蒸留モデルを作成することを提案する。
  論文  参考訳（メタデータ） (2022-10-05T19:43:06Z)
• 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)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• DeepFoldit -- A Deep Reinforcement Learning Neural Network Folding Proteins [0.0]
  私たちはDeepFolditと呼ばれるディープ強化ニューラルネットワークをトレーニングし、タンパク質の展開に割り当てられたスコアを改善しました。 提案手法は,Folditの直感的なユーザインタフェースと深層強化学習の効率性を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-10-28T16:05:42Z)
• FBNetV3: Joint Architecture-Recipe Search using Predictor Pretraining [65.39532971991778]
  サンプル選択とランキングの両方を導くことで、アーキテクチャとトレーニングのレシピを共同でスコアする精度予測器を提案する。 高速な進化的検索をCPU分で実行し、さまざまなリソース制約に対するアーキテクチャと準備のペアを生成します。 FBNetV3は最先端のコンパクトニューラルネットワークのファミリーを構成しており、自動と手動で設計された競合より優れている。
  論文  参考訳（メタデータ） (2020-06-03T05:20:21Z)
• Improved Adversarial Training via Learned Optimizer [101.38877975769198]
  対戦型トレーニングモデルの堅牢性を改善するための枠組みを提案する。 共学習のパラメータモデルの重み付けにより、提案するフレームワークは、更新方向に対するロバスト性とステップの適応性を一貫して改善する。
  論文  参考訳（メタデータ） (2020-04-25T20:15:53Z)

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。