論文の概要: Identifying critical residues of a protein using meaningfully-thresholded Random Geometric Graphs

• arxiv url: http://arxiv.org/abs/2506.10015v1
• Date: Wed, 28 May 2025 14:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.093376
• Title: Identifying critical residues of a protein using meaningfully-thresholded Random Geometric Graphs
• Title（参考訳）: 有意Thresholded Random Geometric Graphsを用いたタンパク質の臨界残基の同定
• Authors: Chuqiao Zhang, Sarath Chandra Dantu, Debarghya Mitra, Dalia Chakrabarty,
• Abstract要約: 本稿では, 分子動力学シミュレーションを用いて, タンパク質の臨界残基を認識する3つの方法を提案する。 提案手法は,Random Geometric Graph (RGG) 変数を学習し,各残余変数の状態変数をこのグラフのノードにアタッチし,RGGは各残余ペアの状態変数間の相関行列を用いて学習する。 我々は,全156残基上で定義される全グラフ変数の後続確率と,1残基を除くすべてのグラフとの差をランク付けして,臨界度尺度を開発する。 臨界の第三のパラメトリケーション
• 参考スコア（独自算出の注目度）: 9.673882259199278
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Identification of critical residues of a protein is actively pursued, since such residues are essential for protein function. We present three ways of recognising critical residues of an example protein, the evolution of which is tracked via molecular dynamical simulations. Our methods are based on learning a Random Geometric Graph (RGG) variable, where the state variable of each of 156 residues, is attached to a node of this graph, with the RGG learnt using the matrix of correlations between state variables of each residue-pair. Given the categorical nature of the state variable, correlation between a residue pair is computed using Cramer's V. We advance an organic thresholding to learn an RGG, and compare results against extant thresholding techniques, when parametrising criticality as the nodal degree in the learnt RGG. Secondly, we develop a criticality measure by ranking the computed differences between the posterior probability of the full graph variable defined on all 156 residues, and that of the graph with all but one residue omitted. A third parametrisation of criticality informs on the dynamical variation of nodal degrees as the protein evolves during the simulation. Finally, we compare results obtained with the three distinct criticality parameters, against experimentally-ascertained critical residues.
• Abstract（参考訳）: タンパク質の機能にはこれらの残基が不可欠であるため、タンパク質の臨界残基の同定が活発に進められる。 本稿では, 分子動力学シミュレーションを用いて, タンパク質の臨界残基を認識する3つの方法を提案する。 提案手法は,Random Geometric Graph (RGG) 変数の学習に基づいており,RGGは残余ペアの状態変数間の相関関係の行列を用いて学習する。 我々は有機しきい値を用いてRGGを学習し、学習したRGGのノード次数として臨界度をパラメトリする際、既存のしきい値と比較する。 第2に,全156残基で定義される全グラフ変数の後続確率と,1残基を除いて省略されたグラフとの計算的差異をランク付けして,臨界度尺度を開発する。 第3の臨界のパラメトリションは、タンパク質がシミュレーション中に進化するにつれて、結節度が動的に変化することを知らせる。 最後に, 実験的に確認された臨界残基に対して, 3つの異なる臨界パラメータを用いて得られた結果を比較した。

関連論文リスト

• An Effective Gram Matrix Characterizes Generalization in Deep Networks [22.314071077213935]
  我々は、勾配降下によって深層ネットワークが訓練されるとき、一般化ギャップの進化を制御できる微分方程式を導出する。 我々は、この微分方程式を解析して、学習後の一般化ギャップを特徴づける効果的なグラム行列'を計算する。
  論文  参考訳（メタデータ） (2025-04-23T06:24:42Z)
• Asymptotics of Linear Regression with Linearly Dependent Data [28.005935031887038]
  非ガウス共変量の設定における線形回帰の計算について検討する。 本稿では,依存性が推定誤差と正規化パラメータの選択にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2024-12-04T20:31:47Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• High-Dimensional Kernel Methods under Covariate Shift: Data-Dependent Implicit Regularization [83.06112052443233]
  本稿では,共変量シフト下での高次元におけるカーネルリッジの回帰について検討する。 バイアス分散分解により、再重み付け戦略が分散を減少させることができることを理論的に証明する。 偏見について,任意の偏見の正則化を解析し,偏見が正則化の異なる尺度で非常に異なる振る舞いをすることができることを示す。
  論文  参考訳（メタデータ） (2024-06-05T12:03:27Z)
• Byzantine-resilient Federated Learning With Adaptivity to Data Heterogeneity [54.145730036889496]
  本稿では、ビザンツの悪意ある攻撃データの存在下でのグラディエント・ラーニング(FL)を扱う。 Average Algorithm (RAGA) が提案され、ロバストネスアグリゲーションを活用してデータセットを選択することができる。
  論文  参考訳（メタデータ） (2024-03-20T08:15:08Z)
• Posterior Consistency of Semi-Supervised Regression on Graphs [14.65047105712853]
  グラフベースの半教師付き回帰(SSR)は、頂点の小さな部分集合上の値(ラベル)から重み付きグラフ上の関数の値を推定する問題である。 本稿では,ラベルの雑音が小さく,基礎となるグラフ重み付けがよくクラスタ化されたノードと整合している環境で,分類の文脈におけるSSRの整合性について考察する。 重み付きグラフはグラフラプラシアンを用いてガウス先行を定義するSSRのベイズ式を示し、ラベル付きデータは可能性を定義する。
  論文  参考訳（メタデータ） (2020-07-25T00:00:19Z)

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。