論文の概要: Tokenizing Electron Cloud in Protein-Ligand Interaction Learning

• arxiv url: http://arxiv.org/abs/2505.19014v2
• Date: Sat, 31 May 2025 08:00:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-03 16:22:43.443653
• Title: Tokenizing Electron Cloud in Protein-Ligand Interaction Learning
• Title（参考訳）: タンパク質-リガンド相互作用学習における電子雲のトークン化
• Authors: Haitao Lin, Odin Zhang, Jia Xu, Yunfan Liu, Zheng Cheng, Lirong Wu, Yufei Huang, Zhifeng Gao, Stan Z. Li,
• Abstract要約: ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。 これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
• 参考スコア（独自算出の注目度）: 51.74909649330779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The affinity and specificity of protein-molecule binding directly impact functional outcomes, uncovering the mechanisms underlying biological regulation and signal transduction. Most deep-learning-based prediction approaches focus on structures of atoms or fragments. However, quantum chemical properties, such as electronic structures, are the key to unveiling interaction patterns but remain largely underexplored. To bridge this gap, we propose ECBind, a method for tokenizing electron cloud signals into quantized embeddings, enabling their integration into downstream tasks such as binding affinity prediction. By incorporating electron densities, ECBind helps uncover binding modes that cannot be fully represented by atom-level models. Specifically, to remove the redundancy inherent in electron cloud signals, a structure-aware transformer and hierarchical codebooks encode 3D binding sites enriched with electron structures into tokens. These tokenized codes are then used for specific tasks with labels. To extend its applicability to a wider range of scenarios, we utilize knowledge distillation to develop an electron-cloud-agnostic prediction model. Experimentally, ECBind demonstrates state-of-the-art performance across multiple tasks, achieving improvements of 6.42\% and 15.58\% in per-structure Pearson and Spearman correlation coefficients, respectively.
• Abstract（参考訳）: タンパク質-分子結合の親和性と特異性は機能的な結果に直接影響を与え、生物学的制御とシグナル伝達のメカニズムを明らかにする。 ほとんどのディープラーニングベースの予測アプローチは、原子やフラグメントの構造に焦点を当てている。 しかし、電子構造のような量子化学的性質は相互作用パターンを明らかにする鍵であるが、ほとんど探索されていない。 このギャップを埋めるため,電子雲信号を量子化埋め込みにトークン化する手法であるECBindを提案する。 電子密度を組み込むことで、ECBindは原子レベルのモデルで完全に表現できない結合モードを明らかにするのに役立つ。 具体的には、電子雲信号に固有の冗長性を取り除くために、電子構造に富んだ3D結合部位をトークンにエンコードする構造対応トランスフォーマーと階層コードブックである。 これらのトークン化されたコードはラベルで特定のタスクに使用される。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。 実験では、ECBindは複数のタスクにまたがる最先端のパフォーマンスを実証し、それぞれ構造ごとのピアソンとスピアマンの相関係数の6.42\%と15.58\%の改善を達成している。

関連論文リスト

• Exploring structure diversity in atomic resolution microscopy with graph neural networks [18.903519247639355]
  ディープラーニングは、構造多様性を迅速で正確でインテリジェントな方法で探求するための強力なツールです。 この作業は、迅速で正確でインテリジェントな方法で構造多様性を探求する強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-10-23T07:48:35Z)
• Electronic Correlations in Multielectron Silicon Quantum Dots [0.3793387630509845]
  シリコン金属-酸化物-半導体系量子ドットは、実用的な量子コンピュータを実現するための有望な経路を示す。 ハートリー・フォック理論(Hartree-Fock theory)は、多電子量子ドットの電子構造モデリングのための必須の道具である。 シリコン量子ドットのモデリングにおいて,これらの複雑さを考慮に入れたHartree-Fock法を提案する。
  論文  参考訳（メタデータ） (2024-07-05T06:46:38Z)
• Striking the Right Balance of Encoding Electron Correlation in the Hamiltonian and the Wavefunction Ansatz [0.0]
  多重構成電子構造理論は多電子波動関数に最も多用途な近似を与える。 我々は、超相関モデルを定義することができる単純な電子のみの相関式を支持する。
  論文  参考訳（メタデータ） (2024-04-30T00:34:34Z)
• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Neural Upscaling from Residue-level Protein Structure Networks to Atomistic Structure [2.087827281461409]
  神経のアップスケーリング」は、内在的に混乱したタンパク質の詳細な構造情報を効果的に再カプセル化することができる。 以上の結果から,タンパク質の構造と動態のスケーラブルなネットワークモデルが,原子論的な詳細が望まれる環境で利用される可能性が示唆された。
  論文  参考訳（メタデータ） (2021-08-25T23:43:57Z)
• 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)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。