論文の概要: Completion of partial structures using Patterson maps with the CrysFormer machine learning model
- arxiv url: http://arxiv.org/abs/2511.10440v1
- Date: Fri, 14 Nov 2025 01:51:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-14 22:53:22.872122
- Title: Completion of partial structures using Patterson maps with the CrysFormer machine learning model
- Title（参考訳）: CrysFormer機械学習モデルを用いたパターソン写像を用いた部分構造の完成
- Authors: Tom Pan, Evan Dramko, Mitchell D. Miller, Anastasios Kyrillidis, George N. Phillips,
- Abstract要約: 本稿では,タンパク質データバンクのエントリから抽出したタンパク質断片のデータセットについて紹介する。
本手法は結晶構造因子の位相改善と部分構造テンプレートから欠落する領域の完成に有効であることを示す。
- 参考スコア（独自算出の注目度）: 7.123623187944631
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Protein structure determination has long been one of the primary challenges of structural biology, to which deep machine learning (ML)-based approaches have increasingly been applied. However, these ML models generally do not incorporate the experimental measurements directly, such as X-ray crystallographic diffraction data. To this end, we explore an approach that more tightly couples these traditional crystallographic and recent ML-based methods, by training a hybrid 3-d vision transformer and convolutional network on inputs from both domains. We make use of two distinct input constructs / Patterson maps, which are directly obtainable from crystallographic data, and ``partial structure'' template maps derived from predicted structures deposited in the AlphaFold Protein Structure Database with subsequently omitted residues. With these, we predict electron density maps that are then post-processed into atomic models through standard crystallographic refinement processes. Introducing an initial dataset of small protein fragments taken from Protein Data Bank entries and placing them in hypothetical crystal settings, we demonstrate that our method is effective at both improving the phases of the crystallographic structure factors and completing the regions missing from partial structure templates, as well as improving the agreement of the electron density maps with the ground truth atomic structures.
- Abstract（参考訳）: タンパク質の構造決定は、Deep Machine Learning(ML)ベースのアプローチがますます適用されるようになった、構造生物学の主要な課題の1つである。
しかしながら、これらのMLモデルは一般的に、X線結晶回折データのような実験的な測定を直接含まない。
この目的のために,両領域からの入力に対して,ハイブリッド3次元視覚変換器と畳み込みネットワークをトレーニングすることにより,これらの従来の結晶学と最近のMLベースの手法をより緊密に結合するアプローチを探究する。
我々は、結晶データから直接取得可能な2つの異なる入力構造/パターソンマップと、AlphaFoldタンパク質構造データベースに蓄積された予測構造から得られた「部分構造」テンプレートマップを、その後省略した残基で利用している。
これにより、標準結晶化プロセスによって原子モデルに後処理される電子密度マップを予測する。
タンパク質データバンクから抽出した小タンパク質断片の初期データセットを導入し, 結晶構造因子の位相改善と部分構造テンプレートから欠落する領域の完成, および基底真理原子構造との電子密度マップの整合性向上に有効であることを示す。
関連論文リスト
- DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。
我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
論文 参考訳（メタデータ） (2025-07-09T13:57:20Z) - Multiscale guidance of AlphaFold3 with heterogeneous cryo-EM data [33.562685684224995]
低温電子顕微鏡(cryo-EM)は、近原性構造不均一性をイメージングするための強力なツールとして登場した。
ここでは, タンパク質構造予測モデルを用いて学習したCryo-EM密度マップと, 豊富な配列と生物物理学的先行データを組み合わせる。
我々の方法であるCryoBoltzは、大域的および局所的な構造制約を用いて、事前訓練されたタンパク質構造予測モデルのサンプリング軌跡を導出する。
論文 参考訳（メタデータ） (2025-06-04T22:16:27Z) - 3D variational autoencoder for fingerprinting microstructure volume elements [0.5892638927736115]
微細構造ボリューム要素(VE)を符号化するための3次元変分オートエンコーダ(VAE)を提案する。
配向空間の結晶対称性は、前処理ステップとして結晶の基本領域にマッピングすることで説明される。
次に、VAEは、ランダムなテクスチャを持つ均質な多結晶構造を持つVEのトレーニングセットを符号化するために使用される。
このモデルは, トレーニング分布外のテクスチャ, 粒径, アスペクト比の微構造によく応用できることを示す。
論文 参考訳（メタデータ） (2025-03-21T11:17:10Z) - RecCrysFormer: Refined Protein Structural Prediction from 3D Patterson Maps via Recycling Training Runs [7.642939155349805]
$textttRecCrysFormer$は、トランスフォーマーの強度を利用して、結晶データからタンパク質構造を決定するための実験的およびMLアプローチを統合するハイブリッドモデルである。
構造予測において,textttRecCrysFormer$は精度が高く,単位セル次元や角度などの結晶パラメータの変動に対して頑健であることを示す。
論文 参考訳（メタデータ） (2025-02-28T19:40:09Z) - CrysFormer: Protein Structure Prediction via 3d Patterson Maps and
Partial Structure Attention [7.716601082662128]
タンパク質の3次元構造は、しばしば非自明な計算コストをもたらす。
本稿では,タンパク質結晶学と部分構造情報を直接利用するトランスフォーマーモデルを提案する。
提案手法はtextttCrysFormer と呼ばれ,より小さなデータセットサイズと計算コストの削減に基づいて精度の高い予測を行うことができる。
論文 参考訳（メタデータ） (2023-10-05T21:10:22Z) - 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) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳（メタデータ） (2022-02-22T15:39:00Z) - Disentangling multiple scattering with deep learning: application to
strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。
結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。
シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文 参考訳（メタデータ） (2022-02-01T03:53:39Z) - An End-to-End Framework for Molecular Conformation Generation via
Bilevel Programming [71.82571553927619]
分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。
具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
論文 参考訳（メタデータ） (2021-05-15T15:22:29Z) - tFold-TR: Combining Deep Learning Enhanced Hybrid Potential Energy for
Template-Based Modelling Structure Refinement [53.98034511648985]
現在のテンプレートベースのモデリングアプローチは2つの重要な問題に苦しんでいる。
テンプレートの異なる領域からの距離対の精度は様々であり、この情報はモデリングにはあまり導入されていない。
2つのニューラルネットワークモデルは、欠落した領域の距離情報と、テンプレートモデリング構造における異なる領域の距離ペアの精度を予測する。
論文 参考訳（メタデータ） (2021-05-10T13:32:12Z)
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。