論文の概要: Mass Balance Approximation of Unfolding Improves Potential-Like Methods for Protein Stability Predictions

• arxiv url: http://arxiv.org/abs/2504.06806v1
• Date: Wed, 09 Apr 2025 11:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:05:21.696526
• Title: Mass Balance Approximation of Unfolding Improves Potential-Like Methods for Protein Stability Predictions
• Title（参考訳）: アンフォールディングの質量収支近似はタンパク質安定性予測のためのポテンシャル様法を改善する
• Authors: Ivan Rossi, Guido Barducci, Tiziana Sanavia, Paola Turina, Emidio Capriotti, Piero Fariselli,
• Abstract要約: ディープラーニング戦略は分野を前進させてきたが、標準的な手法での利用はリソースの要求により制限されている。 本研究は、展開状態を考慮した質量バランス補正(MBC)を導入することにより、これらの手法を著しく強化することを示す。 多くの機械学習モデルは、このバランスを部分的にモデル化しているが、我々の分析は、展開状態の洗練された表現が予測性能を向上させることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The prediction of protein stability changes following single-point mutations plays a pivotal role in computational biology, particularly in areas like drug discovery, enzyme reengineering, and genetic disease analysis. Although deep-learning strategies have pushed the field forward, their use in standard workflows remains limited due to resource demands. Conversely, potential-like methods are fast, intuitive, and efficient. Yet, these typically estimate Gibbs free energy shifts without considering the free-energy variations in the unfolded protein state, an omission that may breach mass balance and diminish accuracy. This study shows that incorporating a mass-balance correction (MBC) to account for the unfolded state significantly enhances these methods. While many machine learning models partially model this balance, our analysis suggests that a refined representation of the unfolded state may improve the predictive performance.
• Abstract（参考訳）: 単一点突然変異によるタンパク質の安定性の変化の予測は、特に薬物発見、酵素のリエンジニアリング、遺伝病解析などの分野において、計算生物学において重要な役割を担っている。 ディープラーニング戦略は分野を前進させてきたが、標準的なワークフローでの使用はリソースの要求により制限されている。 逆にポテンシャル的手法は高速で直感的で効率的である。 しかし、これらは通常、展開されたタンパク質状態における自由エネルギーの変動を考慮せずにギブス自由エネルギーシフトを推定する。 本研究は、展開状態を考慮した質量バランス補正(MBC)を導入することにより、これらの手法を著しく強化することを示す。 多くの機械学習モデルは、このバランスを部分的にモデル化しているが、我々の分析は、展開状態の洗練された表現が予測性能を向上させることを示唆している。

関連論文リスト

• AlgoRxplorers | Precision in Mutation: Enhancing Drug Design with Advanced Protein Stability Prediction Tools [0.6749750044497732]
  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。
  論文  参考訳（メタデータ） (2025-01-13T02:17:01Z)
• Kermut: Composite kernel regression for protein variant effects [0.9262403397108374]
  プロセス回帰モデルであるKermutと、突然変異類似性をモデル化するための新しい複合カーネルを提供する。 不確実性推定の品質分析は、我々のモデルが全体キャリブレーションの有意義なレベルを提供することを示している。
  論文  参考訳（メタデータ） (2024-04-09T14:08:06Z)
• 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)
• Unbalanced Diffusion Schr\"odinger Bridge [71.31485908125435]
  任意の有限質量の辺縁の時間的進化をモデル化する不均衡DSBを導入する。 これは、殺生項を伴う微分方程式の時間反転を導出することで達成される。 本稿では,非バランスなDSBを学習するためのスケーラブルな目的関数を構成する2つの新しいアルゴリズムスキームを提案する。
  論文  参考訳（メタデータ） (2023-06-15T12:51:56Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• 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)
• Graph Neural Network Interatomic Potential Ensembles with Calibrated Aleatoric and Epistemic Uncertainty on Energy and Forces [9.378581265532006]
  本稿では,エネルギーと力の正確な予測を行うために,グラフニューラルネットワークアンサンブルモデルのトレーニングと再構成のための完全なフレームワークを提案する。 提案手法は, てんかんとアラート的不確実性の両方を考慮し, 全不確実性はホック後に再検討する。 予測性能と不確実性校正の詳細な解析を行う。
  論文  参考訳（メタデータ） (2023-05-10T13:03:06Z)
• Agnostic Physics-Driven Deep Learning [82.89993762912795]
  この研究は、物理系が勾配計算を使わずに統計的勾配学習を行えることを証明している。 Aeqpropでは、システムの詳細を知る必要はなく、プロシージャは外部操作に基づいている。 Aeqpropはまた、自然(生物)物理系において、真の勾配に基づく統計学習は、一般的な比較的単純なメカニズムによってもたらされることを証明している。
  論文  参考訳（メタデータ） (2022-05-30T12:02:53Z)
• SPLDExtraTrees: Robust machine learning approach for predicting kinase inhibitor resistance [1.0674604700001966]
  本研究では,タンパク質変異によるリガンド結合親和性の変化を正確に予測できる堅牢な機械学習手法SPLDExtraTreesを提案する。 提案手法は、学習が容易なサンプルから始まる特定のスキームに従ってトレーニングデータをランク付けする。 実験では,3つのシナリオにおいて,キナーゼ阻害剤耐性の予測法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-11-15T09:07:45Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)

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。