論文の概要: Point transformer for protein structural heterogeneity analysis using CryoEM

• arxiv url: http://arxiv.org/abs/2601.18713v1
• Date: Mon, 26 Jan 2026 17:38:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.968584
• Title: Point transformer for protein structural heterogeneity analysis using CryoEM
• Title（参考訳）: CryoEMを用いたタンパク質構造不均一性解析のための点変換器
• Authors: Muyuan Chen, Muchen Li, Renjie Liao,
• Abstract要約: Point Transformerは、ポイントクラウド分析用に設計されたセルフアテンションネットワークである。 我々は、より人間的に解釈可能な方法で、高度に複雑なタンパク質系の力学を特徴づける。
• 参考スコア（独自算出の注目度）: 14.1714744852828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural dynamics of macromolecules is critical to their structural-function relationship. Cryogenic electron microscopy (CryoEM) provides snapshots of vitrified protein at different compositional and conformational states, and the structural heterogeneity of proteins can be characterized through computational analysis of the images. For protein systems with multiple degrees of freedom, it is still challenging to disentangle and interpret the different modes of dynamics. Here, by implementing Point Transformer, a self-attention network designed for point cloud analysis, we are able to improve the performance of heterogeneity analysis on CryoEM data, and characterize the dynamics of highly complex protein systems in a more human-interpretable way.
• Abstract（参考訳）: 高分子の構造力学は、その構造と機能の関係に重要である。 低温電子顕微鏡(CryoEM)は、異なる組成および配座状態における硝化タンパク質のスナップショットを提供し、タンパク質の構造的不均一性は、画像の計算解析によって特徴づけることができる。 複数の自由度を持つタンパク質系では、力学の異なるモードを解離し解釈することは依然として困難である。 ここでは、ポイントクラウド解析用に設計された自己認識ネットワークであるPoint Transformerを実装することにより、CryoEMデータにおける不均一性解析の性能を改善し、より人間的に解釈可能な方法で高度に複雑なタンパク質システムのダイナミクスを特徴付けることができる。

関連論文リスト

• Mixture of neural fields for heterogeneous reconstruction in cryo-EM [29.837972881181102]
  我々は、コンフォメーションとコンフォメーションの不均一性の両方をモデル化するアプローチであるHydraを提示する。 我々は、新しい可能性に基づく損失関数を用いて、タンパク質の混合物からなる合成データセットに対するアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2024-12-12T16:26:38Z)
• Long-context Protein Language Modeling Using Bidirectional Mamba with Shared Projection Layers [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで本研究では,選択的構造化状態空間モデルに基づく代替タンパク質であるBiMamba-Sに基づくLC-PLMを提案する。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• ProtSCAPE: Mapping the landscape of protein conformations in molecular dynamics [3.6181745062052495]
  我々は,新しい深層学習アーキテクチャ,タンパク質トランスフォーマー,散乱,注意,位置埋め込み(ProtSCAPE)を導入する。 ProtSCAPEは、幾何学的散乱変換のマルチスケールの性質を利用して、グラフとして概念化されたタンパク質構造から特徴を抽出する。 これらの特徴を、残基やアミノ酸シグナルに焦点をあてた二重の注意構造と統合し、タンパク質軌道の潜在的な表現を生成する。
  論文  参考訳（メタデータ） (2024-10-27T02:59:48Z)
• cryoSPHERE: Single-particle heterogeneous reconstruction from cryo EM [9.887133861477233]
  単一粒子低温電子顕微鏡(cryo-EM)は、大きなタンパク質複合体の構造を決定する強力なツールである。 本稿では,タンパク質構造を入力として使用する深層学習手法であるCryoSPHEREを紹介する。 実験で発生する高レベルのノイズに対して,CryoSPHEREは非常に耐性があることが示される。
  論文  参考訳（メタデータ） (2024-05-29T15:12:19Z)
• Machine Learning Coarse-Grained Potentials of Protein Thermodynamics [1.3543803103181613]
  我々は、ニューラルネットワークに基づいて粗粒度分子ポテンシャルを構築し、統計力学を基礎とする。 トレーニングのために、12種類のタンパク質に対して約9msの非偏平全原子分子動力学シミュレーションのユニークなデータセットを構築した。 粗い粒度のモデルでは、系の熱力学を保ちながら、力学を3桁以上加速することができる。
  論文  参考訳（メタデータ） (2022-12-14T20:23:11Z)
• 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)
• Learning Geometrically Disentangled Representations of Protein Folding Simulations [72.03095377508856]
  この研究は、薬物標的タンパク質の構造的アンサンブルに基づいて生成ニューラルネットワークを学習することに焦点を当てている。 モデル課題は、様々な薬物分子に結合したタンパク質の構造的変動を特徴付けることである。 その結果,我々の幾何学的学習に基づく手法は,複雑な構造変化を生成するための精度と効率の両方を享受できることがわかった。
  論文  参考訳（メタデータ） (2022-05-20T19:38:00Z)
• BERTology Meets Biology: Interpreting Attention in Protein Language Models [124.8966298974842]
  注目レンズを用いたタンパク質トランスフォーマーモデルの解析方法を示す。 注意はタンパク質の折りたたみ構造を捉え、基礎となる配列では遠く離れているが、三次元構造では空間的に近接しているアミノ酸を接続する。 また、注意とタンパク質構造との相互作用を三次元的に可視化する。
  論文  参考訳（メタデータ） (2020-06-26T21:50:17Z)
• Energy-based models for atomic-resolution protein conformations [88.68597850243138]
  原子スケールで動作するタンパク質コンホメーションのエネルギーモデル(EBM)を提案する。 このモデルは、結晶化されたタンパク質のデータにのみ訓練されている。 モデル出力と隠された表現の研究により、タンパク質エネルギーに関連する物理化学的性質を捉えることが判明した。
  論文  参考訳（メタデータ） (2020-04-27T20:45:12Z)

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。