論文の概要: Modeling All-Atom Glycan Structures via Hierarchical Message Passing and Multi-Scale Pre-training

• arxiv url: http://arxiv.org/abs/2506.01376v1
• Date: Mon, 02 Jun 2025 07:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.08391
• Title: Modeling All-Atom Glycan Structures via Hierarchical Message Passing and Multi-Scale Pre-training
• Title（参考訳）: 階層的メッセージパッシングとマルチスケール事前学習による全原子グリカン構造モデリング
• Authors: Minghao Xu, Jiaze Song, Keming Wu, Xiangxin Zhou, Bin Cui, Wentao Zhang,
• Abstract要約: 我々は、全原子量グリカンモデリングのためのGlycanAAモデルを紹介する。 GlycanAAは、局所的な原子レベルの相互作用からグローバルな単糖レベルの相互作用を捉えるために、階層的なメッセージパッシングを行う。 我々は,グリカンの依存性のレベルが異なるモデルを実現するために,マルチスケールマスク予測アルゴリズムを設計する。
• 参考スコア（独自算出の注目度）: 37.76325239977169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the various properties of glycans with machine learning has shown some preliminary promise. However, previous methods mainly focused on modeling the backbone structure of glycans as graphs of monosaccharides (i.e., sugar units), while they neglected the atomic structures underlying each monosaccharide, which are actually important indicators of glycan properties. We fill this blank by introducing the GlycanAA model for All-Atom-wise Glycan modeling. GlycanAA models a glycan as a heterogeneous graph with monosaccharide nodes representing its global backbone structure and atom nodes representing its local atomic-level structures. Based on such a graph, GlycanAA performs hierarchical message passing to capture from local atomic-level interactions to global monosaccharide-level interactions. To further enhance model capability, we pre-train GlycanAA on a high-quality unlabeled glycan dataset, deriving the PreGlycanAA model. We design a multi-scale mask prediction algorithm to endow the model about different levels of dependencies in a glycan. Extensive benchmark results show the superiority of GlycanAA over existing glycan encoders and verify the further improvements achieved by PreGlycanAA. We maintain all resources at https://github.com/kasawa1234/GlycanAA
• Abstract（参考訳）: 機械学習でグリカンの様々な性質を理解することは、いくつかの予備的な約束を示している。 しかし、従来の手法では、グリカンのバックボーン構造をモノ糖のグラフ(すなわち糖単位)としてモデル化することに重点を置いていたが、実際にはグリカンの性質を示す重要な指標である個々のモノ糖の基盤となる原子構造を無視した。 我々は、全原子ワイド・グリカンモデリングのためのGlycanAAモデルを導入することで、この空白を埋める。 GlycanAAはグリカンを、その大域的なバックボーン構造を表す単糖ノードと、その局所的な原子レベル構造を表す原子ノードで、不均一なグラフとしてモデル化する。 このようなグラフに基づいて、GlycanAAは局所的な原子レベルの相互作用からグローバルな単糖レベルの相互作用を捉えるために階層的なメッセージパッシングを行う。 モデル機能をさらに強化するため、私たちはPreGlycanAAモデルから、高品質なラベルなしグリカンデータセットでGlycanAAを事前訓練した。 我々は,グリカンの依存性のレベルが異なるモデルを実現するために,マルチスケールマスク予測アルゴリズムを設計する。 ベンチマークの結果,既存のグリカンエンコーダよりもGlycanAAの方が優れており,PreGlycanAAによるさらなる改善が検証されている。 私たちはすべてのリソースをhttps://github.com/kasawa1234/GlycanAAで管理しています。

関連論文リスト

• Higher-Order Message Passing for Glycan Representation Learning [0.0]
  グラフネットワーク(GNN)は、グラフ構造化データの処理と解析のために設計されたディープラーニングモデルである。 本研究は, グリカン構造から潜在空間表現へ特徴を引き出すために, 錯体と高次メッセージパッシングに基づく新しいモデルアーキテクチャを提案する。 これらの改良により、計算グリコ科学のさらなる進歩が促進され、生物学におけるグリカンの役割が明らかにされることを期待している。
  論文  参考訳（メタデータ） (2024-09-20T12:55:43Z)
• GlycanML: A Multi-Task and Multi-Structure Benchmark for Glycan Machine Learning [35.818061926699336]
  グリカンMLベンチマークは、グリカン分類学予測、グリカン免疫原性予測、グリコシル化型予測、タンパク質-グリカン相互作用予測など様々なタスクからなる。 8つのグリカン分類予測タスクを同時に実行することにより、マルチタスク学習(MTL)アルゴリズムのためのGlycanML-MTLテストベッドを導入する。 実験結果から,マルチリレーショナルGNNを用いたグリカンのモデル化が優れており,適切なMTL法によりモデル性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-05-25T12:35:31Z)
• Hi-GMAE: Hierarchical Graph Masked Autoencoders [90.30572554544385]
  階層型グラフマスク付きオートエンコーダ(Hi-GMAE) Hi-GMAEは、グラフ内の階層構造を扱うために設計された、新しいマルチスケールGMAEフレームワークである。 15のグラフデータセットに対する実験は、Hi-GMAEが17の最先端の自己管理競合より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2024-05-17T09:08:37Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)

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。