論文の概要: Protein Structure-Function Relationship: A Kernel-PCA Approach for Reaction Coordinate Identification

• arxiv url: http://arxiv.org/abs/2503.19186v1
• Date: Mon, 24 Mar 2025 22:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:54:41.049590
• Title: Protein Structure-Function Relationship: A Kernel-PCA Approach for Reaction Coordinate Identification
• Title（参考訳）: タンパク質の構造と機能の関係:反応座標同定のためのカーネル-PCAアプローチ
• Authors: Parisa Mollaei, Amir Barati Farimani,
• Abstract要約: 本稿では,タンパク質の構造-機能関係を捉えるためのカーネル-PCAモデルを提案する。 機械学習技術を活用することで、我々のモデルは高次元のタンパク質データに意味のあるパターンを明らかにする。
• 参考スコア（独自算出の注目度）: 7.136205674624813
• License:
• Abstract: In this study, we propose a Kernel-PCA model designed to capture structure-function relationships in a protein. This model also enables ranking of reaction coordinates according to their impact on protein properties. By leveraging machine learning techniques, including Kernel and principal component analysis (PCA), our model uncovers meaningful patterns in high-dimensional protein data obtained from molecular dynamics (MD) simulations. The effectiveness of our model in accurately identifying reaction coordinates has been demonstrated through its application to a G protein-coupled receptor. Furthermore, this model utilizes a network-based approach to uncover correlations in the dynamic behavior of residues associated with a specific protein property. These findings underscore the potential of our model as a powerful tool for protein structure-function analysis and visualization.
• Abstract（参考訳）: 本研究では,タンパク質の構造-機能関係を捉えるために,Kernel-PCAモデルを提案する。 このモデルはまた、タンパク質の性質に対する影響に応じて反応座標のランク付けを可能にする。 Kernelや主成分分析(PCA)などの機械学習技術を活用して,分子動力学(MD)シミュレーションから得られた高次元タンパク質データに有意なパターンを明らかにする。 反応座標の正確な同定における本モデルの有効性は,Gタンパク質結合受容体への応用を通じて実証されている。 さらに、このモデルはネットワークベースのアプローチを用いて、特定のタンパク質の性質に関連する残基の動的挙動の相関関係を明らかにする。 これらの結果は,タンパク質の構造-機能解析と可視化のための強力なツールとして,我々のモデルの可能性を強調している。

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)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• 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)
• Structure-aware Protein Self-supervised Learning [50.04673179816619]
  本稿では,タンパク質の構造情報を取得するための構造認識型タンパク質自己教師学習法を提案する。 特に、タンパク質構造情報を保存するために、よく設計されたグラフニューラルネットワーク(GNN)モデルを事前訓練する。 タンパク質言語モデルにおける逐次情報と特別に設計されたGNNモデルにおける構造情報との関係を,新しい擬似二段階最適化手法を用いて同定する。
  論文  参考訳（メタデータ） (2022-04-06T02:18:41Z)
• Encoding protein dynamic information in graph representation for functional residue identification [0.0]
  タンパク質機能予測の最近の進歩は、タンパク質の構造的特徴とトポロジ的特徴と分子機能との相関をグラフベースの深層学習アプローチを用いている。 ここでは, 動的に相関する残基対間のエッジを連結することにより, ネイティブタンパク質コンホメーションと拡張タンパク質グラフに正規モード解析を適用した。 提案したグラフニューラルネットワークであるProDARは、残基レベルのアノテーションの解釈可能性と一般化性を高め、タンパク質の構造的ニュアンスを強く反映する。
  論文  参考訳（メタデータ） (2021-12-15T17:57:13Z)
• PersGNN: Applying Topological Data Analysis and Geometric Deep Learning to Structure-Based Protein Function Prediction [0.07340017786387766]
  本研究では,タンパク質構造を分離し,タンパク質データバンク内のタンパク質の機能的アノテーションを作成する。 本稿では,グラフ表現学習とトポロジカルデータ解析を組み合わせた,エンドツーエンドのトレーニング可能なディープラーニングモデルPersGNNを提案する。
  論文  参考訳（メタデータ） (2020-10-30T02:24:35Z)
• Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
  タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。 本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
  論文  参考訳（メタデータ） (2020-08-11T15:01:32Z)
• Energy-based models for atomic-resolution protein conformations [88.68597850243138]
  原子スケールで動作するタンパク質コンホメーションのエネルギーモデル(EBM)を提案する。 このモデルは、結晶化されたタンパク質のデータにのみ訓練されている。 モデル出力と隠された表現の研究により、タンパク質エネルギーに関連する物理化学的性質を捉えることが判明した。
  論文  参考訳（メタデータ） (2020-04-27T20:45:12Z)

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。