論文の概要: Co-evolution-based Metal-binding Residue Prediction with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2502.16189v1
• Date: Sat, 22 Feb 2025 11:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:51:45.009490
• Title: Co-evolution-based Metal-binding Residue Prediction with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた共進化型金属結合残差予測
• Authors: Sayedmohammadreza Rastegari, Sina Tabakhi, Xianyuan Liu, Wei Sang, Haiping Lu,
• Abstract要約: 計算構造生物学では、タンパク質の構造と相互作用の複雑さのために、金属結合部位とその対応する金属タイプを予測することは困難である。 MBGNN(Metal-Binding Graph Neural Network)を導入し、グラフニューラルネットワークを介してタンパク質構造内の複雑な依存関係を効果的にキャプチャする。 公開データセットによる実験結果から,MBGNNは既存の共進化型金属結合予測法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 3.3745773382995914
• License:
• Abstract: In computational structural biology, predicting metal-binding sites and their corresponding metal types is challenging due to the complexity of protein structures and interactions. Conventional sequence- and structure-based prediction approaches cannot capture the complex evolutionary relationships driving these interactions to facilitate understanding, while recent co-evolution-based approaches do not fully consider the entire structure of the co-evolved residue network. In this paper, we introduce MBGNN (Metal-Binding Graph Neural Network) that utilizes the entire co-evolved residue network and effectively captures the complex dependencies within protein structures via graph neural networks to enhance the prediction of co-evolved metal-binding residues and their associated metal types. Experimental results on a public dataset show that MBGNN outperforms existing co-evolution-based metal-binding prediction methods, and it is also competitive against recent sequence-based methods, showing the potential of integrating co-evolutionary insights with advanced machine learning to deepen our understanding of protein-metal interactions. The MBGNN code is publicly available at https://github.com/SRastegari/MBGNN.
• Abstract（参考訳）: 計算構造生物学では、タンパク質の構造と相互作用の複雑さのために、金属結合部位とその対応する金属タイプを予測することは困難である。 従来のシーケンスおよび構造に基づく予測アプローチは、これらの相互作用を駆動する複雑な進化的関係を捉えて理解を促進することはできないが、最近の共進化に基づくアプローチは、共進化的残基ネットワークの構造全体を十分に考慮していない。 本稿では,共進化残基ネットワーク全体を利用したMBGNN(Metal-Binding Graph Neural Network)を導入し,グラフニューラルネットワークを用いてタンパク質構造内の複雑な依存関係を効果的に捕捉し,共進化金属結合残基とその関連金属タイプを予測する。 公開データセットにおける実験結果から、MBGNNは既存の共進化に基づく金属結合予測手法よりも優れており、近年のシーケンスベースの手法と競合し、タンパク質-金属相互作用の理解を深めるために、高度な機械学習と共進化的洞察を統合する可能性を示している。 MBGNNのコードはhttps://github.com/SRastegari/MBGNNで公開されている。

関連論文リスト

• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  本稿では,リレーショナルデータベースの特徴を捉えた新しいGNNフレームワークであるRelGNNを紹介する。 我々のアプローチの核となるのは、高次三部構造を形成するノードの列である原子経路の導入である。 RelGNNは、最先端の精度を最大25%改善して一貫して達成している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• CoGANPPIS: A Coevolution-enhanced Global Attention Neural Network for Protein-Protein Interaction Site Prediction [0.9217021281095907]
  PPI予測のためのシーケンスベースディープラーニングモデルである,共進化型グローバルアテンションニューラルネットワークを提案する。 CoGANPPISは特徴抽出に3つの層を並列に利用する。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-13T09:27:34Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• InteractionNet: Modeling and Explaining of Noncovalent Protein-Ligand Interactions with Noncovalent Graph Neural Network and Layer-Wise Relevance Propagation [0.0]
  非共有結合タンパク質-リガンド相互作用を学習するためのグラフニューラルネットワークアーキテクチャを提案する。 本モデルは, 化学解釈における性能および関連性の両方において, 非共有相互作用の予測に成功していることを示す。
  論文  参考訳（メタデータ） (2020-05-12T12:46:44Z)
• Investigating the Compositional Structure Of Deep Neural Networks [1.8899300124593645]
  本稿では,一方向線形活性化関数の構成構造に基づく新しい理論的枠組みを提案する。 予測ラベルと予測に使用する特定の(線形)変換の両方に関して、入力データのインスタンスを特徴付けることができる。 MNISTデータセットの予備テストでは、ニューラルネットワークの内部表現における類似性に関して、入力インスタンスをグループ化することが可能である。
  論文  参考訳（メタデータ） (2020-02-17T14:16:17Z)

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。