論文の概要: AlgoRxplorers | Precision in Mutation -- Enhancing Drug Design with Advanced Protein Stability Prediction Tools

• arxiv url: http://arxiv.org/abs/2501.07014v2
• Date: Mon, 27 Jan 2025 18:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:52:07.518560
• Title: AlgoRxplorers | Precision in Mutation -- Enhancing Drug Design with Advanced Protein Stability Prediction Tools
• Title（参考訳）: AlgoRxplorers : 変異の精度 -- タンパク質安定性予測ツールによる医薬品設計の強化
• Authors: Karishma Thakrar, Jiangqin Ma, Max Diamond, Akash Patel,
• Abstract要約: 単一点アミノ酸変異がタンパク質の安定性に与える影響を予測することは、疾患のメカニズムを理解し、薬物開発を促進するために不可欠である。 タンパク質の安定性はギブス自由エネルギーの変化によって定量化され(DeltaDelta G$)、これらの変異の影響を受けている。 本研究は,タンパク質の安定性の景観を特徴的に表現するために,伝達学習を活用し,異なるモデルからの相補的情報を融合するディープニューラルネットワークの応用を提案する。
• 参考スコア（独自算出の注目度）: 0.6749750044497732
• License:
• Abstract: Predicting the impact of single-point amino acid mutations on protein stability is essential for understanding disease mechanisms and advancing drug development. Protein stability, quantified by changes in Gibbs free energy ($\Delta\Delta G$), is influenced by these mutations. However, the scarcity of data and the complexity of model interpretation pose challenges in accurately predicting stability changes. This study proposes the application of deep neural networks, leveraging transfer learning and fusing complementary information from different models, to create a feature-rich representation of the protein stability landscape. We developed four models, with our third model, ThermoMPNN+, demonstrating the best performance in predicting $\Delta\Delta G$ values. This approach, which integrates diverse feature sets and embeddings through latent transfusion techniques, aims to refine $\Delta\Delta G$ predictions and contribute to a deeper understanding of protein dynamics, potentially leading to advancements in disease research and drug discovery.
• Abstract（参考訳）: 単一点アミノ酸変異がタンパク質の安定性に与える影響を予測することは、疾患のメカニズムを理解し、薬物開発を促進するのに不可欠である。 タンパク質の安定性はギブス自由エネルギーの変化によって定量化され(\Delta\Delta G$)、これらの変異の影響を受けている。 しかし、データの不足とモデル解釈の複雑さは、安定性の変化を正確に予測する上で困難をもたらす。 本研究は,タンパク質の安定性の景観を特徴的に表現するために,伝達学習を活用し,異なるモデルからの相補的情報を融合するディープニューラルネットワークの応用を提案する。 3つ目のモデルであるThermoMPNN+で4つのモデルを開発し、$\Delta\Delta G$の予測で最高の性能を示した。 このアプローチは、潜伏輸血技術を通じて多様な特徴セットと埋め込みを統合し、$\Delta\Delta G$の予測を洗練し、タンパク質のダイナミクスをより深く理解することを目的としており、病気の研究や薬物発見の進歩につながる可能性がある。

関連論文リスト

• 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)
• Retrieval-Enhanced Mutation Mastery: Augmenting Zero-Shot Prediction of Protein Language Model [3.4494754789770186]
  タンパク質モデリングの深層学習法は従来の手法に比べて低コストで優れた結果を示した。 突然変異効果予測において、事前学習されたディープラーニングモデルの鍵は、タンパク質配列、構造、機能の間の複雑な関係を正確に解釈することにある。 本研究では,配列と局所構造相互作用から自然特性を包括的に解析する検索強化タンパク質言語モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:28:51Z)
• Boltzmann-Aligned Inverse Folding Model as a Predictor of Mutational Effects on Protein-Protein Interactions [48.58317905849438]
  結合自由エネルギーの変化を予測する(Delta Delta G$)ことはタンパク質-タンパク質相互作用の理解と調節に不可欠である。 本稿では,事前学習した逆折り畳みモデルから$Delta Delta G$予測への知識伝達のためのボルツマンアライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-10-12T14:13:42Z)
• HERMES: Holographic Equivariant neuRal network model for Mutational Effect and Stability prediction [0.0]
  HERMESは、突然変異効果と安定性予測のための3次元回転同変構造に基づくニューラルネットワークモデルである。 本稿では,HERMESモデルの組を,異なる戦略で事前学習し,変異の安定性効果を予測するために微調整する。
  論文  参考訳（メタデータ） (2024-07-09T09:31:05Z)
• Protein binding affinity prediction under multiple substitutions applying eGNNs on Residue and Atomic graphs combined with Language model information: eGRAL [1.840390797252648]
  ディープラーニングは、シリコン内予測と生体内観測のギャップを埋めることのできる強力なツールとして、ますます認識されている。 タンパク質複合体中のアミノ酸置換物からの結合親和性変化を予測するための新しいグラフニューラルネットワークアーキテクチャであるeGRALを提案する。 eGralは、タンパク質の大規模言語モデルから抽出された特徴のおかげで、残基、原子スケール、進化スケールを利用する。
  論文  参考訳（メタデータ） (2024-05-03T10:33:19Z)
• 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)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• Predicting protein stability changes under multiple amino acid substitutions using equivariant graph neural networks [2.5137859989323537]
  本稿では,最先端のディープラーニング(DL)タンパク質安定性予測モデルの改良を提案する。 これは、E(3)-同変グラフニューラルネットワーク(EGNN)を用いて、原子環境(AE)埋め込みと残差レベルスコアリングタスクの両方で達成された。 この手順の即時的な成果を実演し、現状の欠点を議論し、将来的な戦略を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-05-30T14:48:06Z)
• 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)

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。